本文致力于以人工神经元网络和智能优化算法为手段,对金融时间序列进行建模、分析和预测,并以该模型的预测模块为核心,编写程序化交易策略,进行程序化交易模拟实验,以实验结果的优异性验证预测模型的有效性及其应用于程序化交易部分的可行性。本文所做主要研究如下:首先,本文对文中重点引用的粒子群优化算法(Particles Swarm Optimization,PSO)的起源、发展、改进和应用进行了详细叙述,尤其是模拟退火粒子群优化算法(Simulated Annealing-Particle Swarm Optimization,SAPSO)和量子行为粒子群优化算法(Quantum-believed PSO,QPSO)两部分的发展和应用。其次,本文分别构建了基于SAPSO算法和QPSO算法的神经网络预测模型,并从定性和定量两个方面对上述两个模型进行了对比分析。分析表明,无论是算法本身的简洁性、易理解性、参数设定的简单性还是扩张能力、预测能力和运行效率等方面,基于QPSO算法的神经网络预测模型都要优于基于SAPSO算法的神经网络预测模型。然后,本文利用预测能力更为优秀的基于QPSO算法的神经网络预测模型,以海通证券的股价序列为例,进行了建模、仿真和预测,并以预测结果为基础,在万得数据库组合管理平台,通过模拟交易、实盘操作、获取盈利的形式证明了所建模型的有效性及其在程序化交易方面的可应用性。最后,通过对实验研究全过程的回顾,综合研究过程中出现的问题,提出了对未来研究的设想与展望。