金融资产价格的时间序列预测在经济学中是一个重要的研究领域。传统的计量方法一直在预测研究和实践领域中占据着重要地位。虽然随机漫步理论声称，价格的变化是连续和独立的，但部分学者已经观察到，市场部分表现并不是有效的，市场价格的变动并不是随机的而是部分可预测的。价格指数的时间序列是非线性的、非平稳和混沌的，其中价格指数的结构性变化受多种因素的影响。而采用经典计量经济学方法，来预测价格指数的变化，由于需要许多限制性条件和不切实际的假设，逐渐变得不可能。因此，在应用数学和智能方法最近取得的新成就基础上，人们试图使用人工神经网络来解决这些问题。BP神经网络，由于结构相对简单，而且算法相对成熟，使其在时间序列预测，特别是在股票价格预测的应用中非常流行。然而，由于其本身是一种静态神经网络，而股票市场存在的自相似性，且价格的变化常常表现出一定的长期记忆性，使得股票价格呈现一定的动态特征。通过使用动态的反馈神经网络，对时间序列的长期记忆性进行刻画，能够更好地预测股票价格的变动。因此，本文对沪深300指数每日收盘价的时间序列，进行了正态分布检验和相关性检验，并引入BDS独立同分布检验，同时运用重标极差法计算了序列的Hurst值，以发现它的动态特征，并通过建立动态反馈神经网络中的两层——Elman神经网络来进行预测，并使用相对预测误差来对模型进行评价。