随着我国经济快速增长和金融市场的不断扩大,股票已经成为人们经济生活的重要组成部分。股票市场出现以后,人们就试图研究股票的价格波动,掌握价格波动的规律,学术界发明了多种研究方法来对股票进行预测。BP神经网络作为大数据预测方面的经典算法而备受投资者和研究人员的青睐,但是,BP算法由于本身存在收敛速度慢、容易陷入局部极小点等缺陷导致其预测效率较低。本文在深入分析股票价格预测面临的问题和比较多种股票价格预测方法的基础上,探讨了遗传BP神经网络算法对股票价格进行预测的方法。首先,采用遗传算法搜索出的最优个体作为BP神经网络的初始权值和阀值,再使用试凑法确定隐含层节点的具体个数,构造BP神经网络的结构。接着,采用BP算法训练网络,训练过程自动调整学习率。基于遗传算法的BP神经网络,既能发挥遗传算法的全局搜索性,也能发挥BP神经网络的快速性和高效性。两者有机结合,加快运算效率,增强BP神经网络的学习能力和对股票的预测能力。基于这个算法思想,本文构建了预测模型,采用Matlab7.0作为实验平台进行仿真实验,选取沪深300指数作为实验标的,用前十天的开盘价和收盘价加上第十一天的开盘价数据来预测第十一天的收盘价。其中,选取140个交易日的历史数据中的前100组数据作为训练样本,后30组数据作为测试样本。并从收敛速度、稳定性和精确性三个方面将单纯的BP神经网络预测模型和遗传BP神经网络的预测模型进行对比分析。实验表明,本文提出的基于遗传神经网络的股票预测方法有一定的实用性。