股票择时对于金融市场投资者来说非常的重要,是成功的关键,是各专家学者的重点研究对象。对于一只好的股票,如果没有准确的把握择时时机,也会面临着投资风险。股票择时是非常复杂的,因为虽然价格走势并不是完全随机的,但是它会受多种因素影响,因此常常无法准确判断。传统的投资方法只能从一些基本面信息以及KDL、均线等简单的技术指标进行分析,准确率相对较低。因此在西方比较流行的投资方法是量化投资。量化投资是将金融投资和数学模型相结合,对大数据进行信息挖掘,然后利用计算机进行自动化交易的投资方法。它使得交易更加的系统、准确、高效,更具有客观性,可以提高投资决策的效率和准确性。其中神经网络模型具有较强的非线性逼近功能,对于处理非线性的、复杂的股票市场具有很大的优越性。因此本文首先阐述了神经网络模型的相关理论,然后建立了神经网络择时的实证分析模型,具体内容如下。文章将上证综合指数作为研究的对象,选取了其16个常用的股票指标的日数据,时间区间为2015年1月5日至2018年9月7日,共900组数据。通过对原始数据建立BP神经网络模型,预测上证综合指数日收盘价走势。为了数据使用的简便性和模型分析更加的准确,首先对较多的原始变量进行主成分降维分析。利用KMO检验和Bartlett球形检验法对原始数据进行检验,验证其是否适合主成分分析。通过检验后,对原始数据进行主成分分析。根据主成分分析的结果选取了6个主成分,即6个主成分数据可以代表16个股票指标的大部分信息。将变量进行降维后,开始建立BP神经网络模型。BP神经网络模型的输入变量为6个主成分数据,输出变量为日收盘价,根据隐藏层节点公式确定隐藏层节点数为5。建立模型后,开始进行预测。然后将预测结果与真实数据作对比,并计算其相对误差。另外为了对比模型的准确度,建立了ARMA-GARCH模型进行对比分析。分析结果表明:ARMA-GARCH模型的预测误差高于基于主成分分析的BP神经网络模型的预测误差,预测准确度相对较差。因此基于主成分分析的BP神经网络模型对于股市择时具有参考价值。