随着经济的发展和人们投资意识的转变,股票已成为现代人生活中的一个重要组成部分,股票投资已成为社会公众谈论的中心之一。股票投资的收益与风险往往是成正比的,即投资收益越高,可能冒得风险越大。为了趋利避害,投资者们一直孜孜以求探索其内在规律,寻找有效的分析方法和工具。因此,股市内在规律的研究和预测具有极其重要的理论意义和应用价值。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股市预测这项任务的艰巨性,而传统的预测工具已不能满足这种需要。本文在深入分析股票市场预测面临的难题和比较各种股价预测方法的基础上,提出了利用BP 神经网络进行股市分析和预测建模的方法。股票市场是一个极其复杂的非线性动力学系统,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,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。股票市场的走势看起来杂乱无章,但实际上有其内在的变化规律,而这正是神经网络预测股市的基础。BP 网络通过对以往历史数据的学习,找出股市发展的内在规律,并将其存储在网络具体的权值、阀值中,用以预测未来的走势。本文分析了基于BP 网络进行股市预测的原理,利用三层前馈神经网络对股市建立预测模型,详细探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定等问题。为了避免网络陷入局部最小点和提高网络的收敛速度,算法采用改进后的Levenberg-Marquardt 法BP 算法。在实验中对标准BP 算法和几种改进后的BP 算法的性能做了比较。最后以最具代表性的上证指数为例对所建的预测模型进行训练,并用训练好的网络预测股票数据,取得了较好的效果。理论分析和实验结果表明,BP 神经网络用于股票市场的预测是可行的和有效的,并有着良好的应用前景。