随着股票市场投资活动的日益频繁,市场迫切需要一种有效的预测分析方法,以帮助人们增加收益的同时适当的降低风险。股市高度复杂,它的变化规律有一定趋势性,但受政治、经济、心理等各种因素的影响,市场的变化规律仍然让人难以琢磨。传统的股票指数预测方法大都是基于数理统计的方法,共同点是先建立数据序列的主观模型,然后根据主观模型进行计算和预测,预测精度不能满足实际的要求。股票指数具有明显的混沌特征,许多学者对其混沌特性进行了深入研究,建立了多种基于混沌理论的股票指数预测模型。混沌BP神经网络模型是一种比较成功的股票指数预测模型,但该模型有易于陷入局部极小值和收敛速度慢的缺点,因此,提高混沌BP神经网络模型的预测精度是股票指数预测方法研究的一个重要课题。首先建立了一个基于混沌理论的BP神经网络预测模型,将其应用于2种典型的非线性时间序列(Logistic混沌系统和Henon混沌系统)和实测上证综合指数时间序列进行了有效性验证,并给出了不同训练样本的预测值比较和结果分析。为进一步提高预测模型的预测准确性,提出了一种基于粒子群算法优化混沌BP神经网络的改进预测模型。该模型采用时间序列输入输出参数数量构造BP神经网络拓扑结构,利用粒子群算法优化混沌BP神经网络的权值和阂值,将改进预测模型应用到Logistic、Henon典型的混沌时间序列和实测上证综合指数的时间序列进行了有效性验证。结果表明,粒子群算法优化后的混沌BP神经网络预测模型,能够有效弥补BP神经网络的不足,改善BP神经网络易陷入局部最优的问题,在一定程度上达到了提高算法性能的目的。该模型对2种典型的非线性混沌时间序列和实测上证综合指数具有更好的非线性拟合能力和更高的预测准确性。