股票市场作为社会经济发展起到重要的融资和资源配置作用,其相对稳定收益性和适中的风险性吸引越来越多的投资者参与其中,如何有效地分析和预测股市走势已经成为人们关注研究的问题,传统的分析方法已经被广泛采用,不过人为因素是传统方法无法避免的问题,人工神经网络由于其独特的结构和处理信息的方法,高度并行、分布式存储等特点,特别适合于处理不确定的模糊信息和要同时考虑许多因素条件的问题,为股市预测提供了一条量化分析的有效方法。但是,对于复杂问题和高维输入变量,直接用神经网络进行预测,会带来网络规模的剧增,运算时间的增加,网络的收敛性和泛化能力的降低;另一方面,由于预测因子之间的相关性,导致输入信息重叠,也使得模型预报的准确率降低,因此,应对此类样本和众多的预报因子进行必要的处理。本文针对股市中收盘价的预测问题,为提高预测精度和网络训练的效率,对众多的预报因子采用主成分分析的方法进行降维处理,对于大样本数据用SOM神经网络进行分类,对于分类后的各个子类,分别建立与之对应的BP神经网络预测模型;在实际预测时,要对实时数据进行判别分类,选择对应的模型进行预测输出。这样,将BP神经网络、主成分分析、SOM神经网络有机地结合起来,构建了股市收盘价的实时组合预测模型。通过实证研究证明了经过改进的BP神经网络模型对股价预测的有效性。