股票价值估计研究是进行股票投资的一个重要过程,研究方法的形成标志着股票价值估计模型的成熟和完善.它既可使股票投资深入人心,也可为投资者提供更精确的股票投资方法,具有重要的理论和现实意义.本文重点研究基于GCS-BP算法以及NCS-RBF算法的股票价值估计.首先,建立基于GCS-BP网络的资产价值预测的股票价值估计模型.针对BP神经网络初始参数选取不当易陷入局部极值的缺点,提出高斯扰动的布谷鸟算法(GCS)优化BP神经网络的初始参数,并将该改进算法应用于公司资产价值的预测,仿真结果表明,GCS-BP算法预测效果优于CS-BP算法;再根据Black-Scholes定价公式建立基于GCS-BP网络的股票价值估计模型.其次,建立基于GCS-BP网络的波动率预测的股票价值估计模型.针对公司资产价值预测时存在误差的缺陷,提出将GCS-BP算法应用于公司资产价值波动率的预测;并将GCS-BP算法与CS-BP算法对公司资产价值波动率预测的结果作比较,仿真结果表明,该算法的预测效果优于CS-BP算法;再根据Black-Scholes定价公式建立了股票价值估计模型.再次,建立基于NCS-RBF网络的股票价值估计模型.针对CS算法存在搜索慢的缺点,提出基于小生境技术的布谷鸟改进算法,并利用其搜索RBF网络的初始参数;然后将该算法应用于公司资产价值波动率的预测,仿真结果表明,NCS-RBF算法预测效果优于CS-RBF算法;再根据Black-Scholes模型估计出股票价值.最后,对全文进行总结,对股票价值的未来研究方向做出进一步展望.