股市的产生吸引了众多的科学家对其进行研究,随着投资理财逐渐走进大众生活,股市趋势的预测成为了投资者的关注重点,由最开始的简单观看价格判断趋势,到现在的采用人工智能算法,这也表明了股市的预测技术朝着更加智能化的方向发展。在当今复杂多变的世界经济环境中,提高股市预测的精度有着实际的应用价值。神经网络具有的强容错性、强适应性和强处理能力是其他智能方法不可比拟的,并且依靠人工智能技术中的人工神经网络进行股市预测可以达到很好的效果,将其应用在股市预测中,并针对具体的需要提出新的算法具有重要的意义。本文将过去的国内外股市预测方法进行探讨,列举主要相关的评价指标,分析了神经网络的技术特点,最终使用BP神经网络和支持向量机预测股市,实验是建立在MATLAB上的仿真实验进行研究。本文主要研究内容包括:(1)首先介绍了神经网络应用于股市预测需要的解决的问题,通过介绍BP神经网络的基本原理和结构、学习规则、缺点等,按照网络的不足之处将标准的BP神经网络应用附加动量法对其权值进行修正。仿真实验的结果显示:改进后的网络相对于标准BP网络,其均方误差降低了33%,相关系数提高了2.15%,网络运算时间缩短了50.75%。证明了经过改进后的网络具有更大的应用潜力。(2)遗传算法是基于自然选择和遗传学机理的迭代自适应概率搜索算法,可克服人工神经网络自身的缺陷,逐步提高网络训练速度和预测精度,因此在本文中我们提出了基于遗传算法的BP神经网络模型。由于我们选取的影响股票预测的因素具有很强的相关性,所以我们将主成分分析法应用于特征提取中,对股票输入数据进行降维处理,然后应用GA-BP算法进行预测。经过多次仿真实验,结果显示:PCA-GA-BP网络相对于GA-BP网络,其均方误差降低了51%,相关系数提高了1.89%,网络运算时间缩短了21.8%,变量个数减少了55%,累计贡献率高达99.87%。证明了PCA-GA-BP网络具有更高的预测精度、更快的运算速度。(3)最后将主成分分析与支持向量机结合对股票进行回归预测分析,解决了高维输入的问题,并通过交叉验证法对支持向量机的参数进行寻优,取得了较高的预测精度。仿真实验结果显示:PCA-SVM相对于SVM,其均方误差降低了70%,相关系数提高了5.8%,运算时间缩短了23.8%,变量个数减少了52.5%,累计贡献率高达99.44%。证明了PCA-SVM的股票预测模型具有很好的可行性和准确性。