随着我国改革开放的深入,我国的经济也进入快速发展的列车,国民生产总值跃居世界前列,各种理财方式,理财产品让投资者们眼花缭乱,在资本市场,股票、基金、期货以及债券等各类金融产品层出不穷。由于股票的涨跌幅限制,交易日顺延以及启动资金无门槛限制。所以在资本市场,上市公司股票备受广大投资者的青睐。但由于股票的涨跌收多种因素的影响。这其中就包括国际资本外围股市、国际重大新闻突发事件、国家政策、机构操作、上市公司经营状况等。由于众多因素的影响对于想在股市挣钱的散户更是难上加难,此时,众多的股票预测方式方法就应运而生了,相比于传统的时间序列法、证券分析法等传统的股票预测方法,人工智能方法就显得技高一筹了。所以,股票市场的股民更倾向于相信人工智能。而这其中用神经网络算法去预测股票交易价格的变化趋势更是独领风骚。因为神经网络算法的参数简单较少,易于实现。所以神经网络算法已经被广泛应用于各个领域。但是神经网络也有其缺点,比如权值和偏置的选取不合理会导致算法孤独早熟,从而达不到全局最优。进而得不到趋近于实际结果的预测值。本文提出了一种改进发的粒子群算法优化BP神经网络。根据其建立模型,对股票历史数据进行仿真实验得到的结果能够很好的拟合实际的股票交易价格。能够很好的帮助股民合理分配资金,规避风险以及扩大收益。本文的主要研究工作包含以下两个方面:改进粒子群算法,针对传统的粒子群算法容易陷入局部最优值这一缺点。对其做出针对性的改进。对惯性权重进行动态调整策略,前期惯性权重较大,适用于全局搜索,随着算法的运行,后期惯性权重减小,适用于局部搜索。并且在速度更新公式方面添加压缩因子,可以有效的搜索不同的区域,得到高质量的最优解。根据改进的粒子群算法优化BP神经网络建立相应的模型并进行仿真实验,选择上市公司湘财股份的股票交易数据作为历史数据作为实验样本。根据实验结果对比预测股票交易数据和真实股票交易数据进行拟合发现,改进的粒子群算法优化BP神经网络在股票交易价格预测方面有很好的可信度。