近几年,随着市场经济的蓬勃发展和金融体制改革的不断健全,我国股市规模不断发展壮大,已发展为市场经济的重要组成部分。越来越多的中国人开始关注股市行情,直接或间接的参与到股市投资中,对股市有关的讨论也已经成为人们日常生活的一部分,对股票数据科学建模实现股价预测已成为具有重大现实和理论意义的工作。由于股市变动趋势错综复杂,传统的统计学习方法都是基于线性模型建立,不能很好的学习到影响股价的内在规律。神经网络模型能够从数据中学习非线性映射关系,比传统方法更实用有效,具有重大的研究意义。为了充分考虑到影响股市市场因素,本文选取了16个指标进行股价预测,包括当日开盘价、收盘价、最高价、最低价、成交额、成交量共6个行情指标,市值、换手率、市净率PB、市现率PC、市盈率PE、市销率PS共6个市值指标,21日移动平均MA21、平滑移动平均MACD、20日收盘价标准差20SD、指数移动平均EMA共4个技术指标。由于这些特征之间存在信息冗余问题,笔者利用典型相关分析对其进行降维处理,选出若干个具有代表的典型变量作为神经网络输入,减少了网络输入层节点数,缩短了网络训练时间,由于神经网络易收敛到局部最优值,为了提高神经网络预测精度,利用遗传算法对神经网络结构权值和阈值进行优化,从而使网络预测更容易接近全局最优解,同时提高模型泛化能力。本文以平安银行与方正科技的日线数据为研究对象,其中对构建基于平安银行股票数据的最优模型进行了详细的阐述,以均方误差(MSE)和相对误差(MAPE)为股价预测效果评价指标,运用该模型预测第二天收盘价。通过matlab仿真实验结果证明,基于典型相关分析降维与遗传算法优化结合的神经网络模型(CCA-GA-BPNN)比BP模型、CCA-BP模型、GA-BP模型、PCA-GA-BPNN模型预测效果都好,且网络结构较为简单,可以降低风险,提高收益。