金融市场是一个具有显著不稳定和非线性等特性的复杂动力学系统,其外在表现为金融时间序列。量化分析金融时间序列,尽可能挖掘其隐藏的现实信息,可以为政策制定和投资者决策提供重要参考。经验模态分解（Empirical Mode Decomposition,EMD）对于处理非线性和非平稳信号具有独特优势,同时人工神经网络具有强大的非线性处理和分析能力。本文综合利用EMD和BP神经网络（Back Propagation Neural Network,BPNN）的优势,先基于EMD算法对上海证券交易所四只股票的波动走势进行分析。然后利用EMD对股票数据进行分解,再对分解的IMFs实施重构,并搭建BP网络模型,对重构后的数据进行短期收盘价预测。本文所开展的工作及取得的主要结果如下。首先,以上海证券交易所的上证综合指数、贵州茅台、中国平安、工商银行等四只股票的每日收盘价作为研究对象。在建模预测前,先对原始股价序列进行探索性分析把握数据的总体特征,然后检查研究样本数据是否具有平稳性和记忆性。结果表明:四只预测样本均具有非平稳性和长记忆性的特点。在此基础上,对数据实施基于EMD的平稳化处理。进而结合IMFs分量特征对分解后的分量数据进行重构,以实现对后期神经网络输入数据降维的效果,同时降低后续模型复杂度。另外,还结合IMFs分量波动特征及对应的股市情况对重构分量进行解释,探究波动背后的现实原因,使本文工作具有一定的现实意义。其次,构建BPNN、EMD-BPNN预测模型对四只股票样本分别进行训练和预测,利用平均绝对误差、平均相对误差和预测的趋势正确率三个指标分析模型预测效果。实验结果表明:EMD对BP神经网络预测效果具有显著提升作用。这一结论同时也揭示了EMD分解与IMF分量重构的合理性与有效性。为了进一步验证本文研究结论,通过构建SVR、EMD-SVR预测模型,并与EMD-BPNN模型预测效果进行对比,结果表明:EMD对SVR预测效果的提升在四只研究样本上不具有一致性,基于SVR的预测模型的性能低于EMD-BPNN。这进一步说明本文所选取的EMD-BPNN预测方法较之于SVR的方法对于股价预测更有效。