自股市诞生之日起,国内外众多学者纷纷投身于研究股票市场中,并且提出了很多相应的股票价格的预测方法。然而股价会受到宏观经济环境、相关行业情况和公司经营情况等众多因素所影响。并且影响股价波动的因素之间往往是存在非常复杂的非线性关系,这些内部因素和外部因素的多变性导致了股价预测的工作变得非常艰巨。本文是在深入分析各种股价预测方法后结合人工智能这一热点,使用了 BP神经网络方法对股价进行预测并且通过matlab程序实现。BP神经网络具备自学习和非线性逼近能力,这正好可以解决影响股价因素之间的非线性关系。BP神经网络能够对股票的历史数据进行学习,从而找出股市的内在运行规律,并预测出股票价格的未来走势。然而其自身还存在一些缺陷,比如说输入数据可能存在数据冗余的问题,很难寻找到全局最优值,往往是局部最优,并且还存在训练速率较慢等问题。因此本文在针对BP神经网络的缺陷问题运用了一种优化办法,可以改善其自身缺陷。首先对输入样本数据用主成份分析法进行降维处理,一方面可以避免数据之间的冗余性,另一方面还可以减少数据输入的维度,提高算法的运行效率;然后针对于BP神经网络易陷局部最优的问题,使用GA算法优化网络的权值和阈值;最后本文选择的样本数据是沪深300股指日数据,时间跨度为2010年4月16日至2017年9月7日,通过matlab仿真实验确定BP神经网络的拓扑结构与隐含层的节点数并且确定相应的参数,对股票的价格进行预测,输出网络预测值、实际值与预测值的均方误差和相对误差百分比。通过matlab仿真实验结果可以证明,通过主成份分析法和遗传算法优化的神经网络的预测精度更为准确,并且模型更具稳定性,将该模型用于股价预测是可行有效的。尤其是对于在股票市场进行股票投资的中小投资者而言,可以作为一种行之有效的股价预测方法辅助他们进行投资,为他们尽可能的降低风险,提高收益。