在对目前国际上股票预测研究的热点之一——人工神经网络进行深入地分析与研究的基础上,针对其收敛速度慢,学习中不具备全局搜索能力,易陷入局部极小,并最终导致股价预测精度不高的问题,本文提出了基于粒子群优化(Particle Swarm Optimization,PSO)的神经网络模型及算法,并对输入变量运用主成分分析法降维处理,以提高算法的效率,与BP神经网络相比,股价预测精度提高较大。主要从事了以下研究工作:(1) BP算法通过对BP算法的深入研究,运用MATLAB对现实股票的价格进行仿真预测,实验表明其预测精度不高,不能满足实际的要求。(2) PSO算法通过对PSO算法改进的讨论和比较,从实际情况出发,确定了带惯性因子的PSO算法做为基于PSO的神经网络算法的基础。(3)采用主成分分析法对多维变量降维引入主成分分析法对原始输入变量进行降维处理,选择输入变量的主成分作为网络输入,一方面减少了输入维数,消除了各输入变量的相关性,提高了运算的效率;另一方面提高了网络的收敛性和稳定性,也简化了网络的结构。实验证明:与未经处理的多变量相比,输入变量由原来的15个变成3个,大大减少了输入维数,运行时间减少,预测精度有所提高。(4)基于PSO的神经网络模型及算法基于PSO的神经网络模型及算法是本研究的中心,在对BP算法、PSO算法以及主成分分析法深入研究的基础上,提出了基于PSO的神经网络模型及算法。实验结果表明,在股价预测上,与BP神经网络相比,基于PSO的神经网络模型预测精度更高,且达到实验的预期目的。