随着股票市场投资活动的日益频繁，市场迫切需要一种有效的预测方法以帮助人们增加投资收益。股票市场是一个高度复杂的金融市场，其变化规律受到宏观与微观、政治与经济、国内与国外、行为与心理等各方面因素的影响，以致人们始终无法找到股市的“真正”变化规律。传统的应用于股票指数的预测方法多为统计回归预测法和时间序列预测法。统计回归方法是反应输入和输出变量之间的因果关系，但其中的变量需满足某些特定的统计假设；时间序列方法是基于时间序列的惯性推演，必须确知或假定序列的变化规律。由于上述两种方法所需的条件在实际情况中很难满足，所以这两种传统预测模型很难满足股市预测的要求。近些年来，以神经网络为代表的人工智能预测系统开始在股票指数的预测中得到应用并快速发展。但是，由于单一的智能预测方法都存在着这样、那样的缺陷与不足，以致预测效果总是受到一定程度的影响。因此，在应用智能技术建立预测模型时，人们开始将多种智能技术相互结合，以便相互补充与促进，从而达到更理想的预测效果。鉴于小波神经网络（Wavelet NeuralNetwork, WNN）的优越性能使其在经济领域中的得到广泛应用,许多学者建立了基于小波神经网络的股票预测模型，其预测效果虽然比神经网络模型有所改进，但其学习算法局部收敛的缺陷依然存在。为此，本研究采用细菌觅食优化算法(Bacterial Foraging Optimization, BFO)和自适应惯性权重的粒子群优化算法（AdaptiveInertia Weight Particle Swarm Optimization，AIW-PSO）进一步优化小波神经网络。方法是用这两种优化算法充当小波神经网络的学习算法，从而为小波神经网络提供更好的网络权值和小波基函数平移系数及伸缩系数，使整个网络更加合理，泛化能力和搜索能力更强，预测性能更优。随后建立了基于上证指数数据样本的改进小波神经网络的预测模型，并将它们的预测结果与BP神经网络预测模型、小波神经网络预测模型和BFO-BP神经网络预测模型三种现有模型比较，其结果表明改进后的BFO-WNN与AIW-PSO小波神经网络模型的预测效果显著优于现有三种预测模型。