基金行业作为我国几年来的新型金融理财行业，发展势头强劲，随着基金投资者队伍的迅速壮大，基金市场中对投资风险的预测和控制收到人们的广泛关注。基金仓位代表了市场信心，反映了机构投资者对市场的预期，其增减仓动作一直以来都受到投资者的高度关注，基金仓位的高低可以作为投资者判断后市走向的指标以规避风险。　　 本文首先综述研究了基金仓位预测的多种方法，并着重介绍了神经网络方法;通过几代估算模型优劣势比较分析，确定了基于数据挖掘的BP神经网络作为基金仓位预测模型建立的基本方法。　　 之后收集华夏基金在年报公布的仓位及相关数据，从基金仓位概念及前人研究出发，找出影响基金仓位的因素并利用数据挖掘技术分析选择出相关性最优的变量。根据这些基金仓位数据的特征，再探讨了BP神经网络的模型与结构、BP算法的权值、学习规则和阈值后，选用了的多输入单输出、单隐含层结构，采用学习率可变的动量BP算法及相应的训练函数，并通过多组数据的对比尝试，合理优化了隐含层节点和初始权值，设计出最优基金仓位预测模型。　　 本论文深入研究了BP神经网络在MATLAB中的设计和实现，包括创建初始神经网络，合理初始化、进行训练和模拟;并利用MATLAB函数进行编程，实现了所设计的BP神经网络。　　 针对所建预测模型，本论文对华夏基金的3只基金进行了实证分析，证明所采用的研究方法和所设立的模型是实用且有效的。它不仅简化了网络结构，还提高了预测精度，具有较好的预测能力和泛化推广能力。在评估所构建的基于BP神经网络的基金仓位预测模型的有效性和普适性的同时，在文章结尾提出不足及改进建议。　　 本论文在前人研究成果的基础上，针对现实复杂经济系统的客观需要，提出了本人自己的观点和想法，并把它们付诸实践，希望可以对人工神经网络技术用于实际经济预测做出一点贡献。