股票预测是经济领域一项重要的课题,股票市场具有高噪声、强非线性等特点,传统的预测方法很难建立一个精确的数学模型,目前对股票预测的建模主要采用神经网络的方法,但是神经网络对股票市场的预测主要存在着以下缺点:输入向量的维数难以确定、收敛于局部极小点、训练时间过长、泛化能力弱,很难捕捉到股市黑马等。针对这些缺点,本文做了如下几方面的工作:1.用相空间重构的思想来确定贝叶斯神经网络输入向量的维数。在股市的中期预测中,预测对象是一维的时间序列,而网络输入序列的长度选取一直以来都是一个难点,本文从混沌效应中的相空间重构思想来确定网络输入向量的维数,在神经网络的训练方式上采用贝叶斯正则化的神经网络,它可以有效提高网络的泛化能力。这种方法综合了混沌理论、神经网络和贝叶斯正则化方法各自的优点,它既考虑了上证综指的混沌特性,又考虑到了相空间中相点间的非线性关系,而且还提高了网络的泛化能力。通过第二章的预测分析可知:采用这种方法的预测有效度比普通的预测方法提高了8%左右。2.建立股市短期预测神经网络模型。在股市的短期预测中建立了两种网络模型:普通结构的贝叶斯神经网络和并联结构的贝叶斯神经网络。贝叶斯神经网络可以有效提高网络的泛化能力和自动地弱化对输出贡献较小的输入节点的连接权值。又因为选取的样本数据中包含原始数值和技术指标值这两种不同类型的数据,所以又建立了一个并联结构的贝叶斯神经网络,它可以有效降低两种数据之间的耦合,简化网络参数。通过第三章的预测结果分析可以发现:普通结构的贝叶斯网络预测有效度比普通的BP网络提高了10%左右,而并联结构的贝叶斯神经网络预测有效度比普通结构的贝叶斯网络又提高了7%左右。3.建立黑马股捕捉的神经网络模型。通过对股市黑马股的深入研究,利用黑马股启动前的技术特点,抽象出黑马股的特征。建立贝叶斯神经网络模型,利用提取出来的数据训练这个网络,将黑马股隐含的非线性映射关系隐性地存储在网络模型之中,通过把用于预测的样本输入训练好的网络中,得出预测结果。仿真实验表明采用这个网络对股市黑马的预测准确度为78%左右。