随着经济的发展和人们投资意识的转变，股票投资已成为现代人生活中一个重要组成部分，而股票价格的预测也成为投资者关心和研究的重点。由于股票投资的收益与风险往往是成正比的，即投资收益越高，可能冒的风险越大。因此如何建立一个运算速度和精确度都比较高的股市预测模型，对于金融投资者具有极其重要的理论意义和实际应用价值。但是股价系统内部结构的复杂性、外部因素的多变性决定了这项任务的艰巨性，而传统的预测工具已经不能满足这种需求。 本文在深入分析股票市场预测面临的关键问题和比较各种股票预测方法的基础上，探讨利用BP神经网络对股票走势进行分析和预测的可行性。股票市场是一个极其复杂的非线性动力学系统，其走势看似杂乱无章，实际上有其内在的变化规律，而神经网络具有很强的非线性逼近能力和自学习、自适应等特性，为了避免网络陷入局部最小值和提高网络的收敛速度，文中采用改进后的LM(Levenberg—Marquardt)法BP算法。实验证明，利用神经网络对股市建模可以取得较好的预测效果。 由于基本的BP算法在权值调整过程中存在着收敛速度慢、易陷入局部极小值的缺点，本文将遗传算法与BP神经网络结合，得出一种遗传BP神经网络模型。遗传BP算法利用遗传算法进行全局搜索，注重搜索未知区域，处理速度快而对精度要求不高，不易陷入局部极小值，而利用BP算法搜索有最优值的区域，提高搜索速度和精度。理论分析和实验结果表明，神经网络用于股票市场的预测是可行和有效的，有着非常良好的前景，而遗传BP算法更进一步提高了预测的可靠性和运算速度。 最后，研究各种参数对于预测结果的影响，详细讨论了网络的拓扑结构、隐含节点个数确定的原则、样本数据的选取和预处理、训练参数的确定等问题，选取最具有代表性的上证指数为例对所建的预测模型结合MATLAB7.1编程进行大量的仿真预测实验，并对BP网络模型和遗传BP神经网络模型的预测结果进行比较，得出利用改进的遗传算法优化改进的BP网络的初始权值和阈值可以取得更好的预测效果。