股市是现代金融市场的一个重要组成部分,股票价格不仅受到公司内部因素的影响,还受到宏观经济因素和市场因素的影响.由于众多因素的影响,投资者很难把握股价的变化规律.所以建立一个能够较好预测股票未来价格的模型,对投资者来说有实际应用价值.BP神经网络通过对股价历史数据的学习,将股价变化的规律存储在神经元的权值中,通过训练好的网络预测未来股价.本文首先改进了激励函数,使用新的激励函数建立基于BP神经网络的单变量预测模型,并验证了激励函数的有效性.结合周末效应确定输入数据和目标输出的拟合模式,预测结果不太理想.然后改进输入数据和目标输出的拟合模式,预测误差明显减小,但是改进后的拟合模式每次只能预测一个未来股票价格.通过实证确定模型最优的参数后推广至连续预测,短期内连续预测精度可以接受.最后使用时间序列的拟合模式,预测的误差更小,通过选取合适的输入层神经元数量,能将误差控制在较小范围内,表明该拟合模式在单变量预测模型里是最优的.确定最优拟合模式,建立单变量动态预测模型,加入决策函数和状态函数进行投资决策,策略收益率明显高于个股和指数收益率,取得了超额收益.将单变量模型推广到多变量模型,并加入新变量开盘价、最高价和最低价,根据输出方式的不同分为多输出和单输出两种模型.在多输出模型中确定最优的变量组合为开盘价和收盘价两个变量.而在单输出模型中,确定使用四个变量的预测精度更高.在预测效果上,两个模型均能够实现较好的预测结果,并且各有优劣.分别将两个模型推广到动态预测模型,并结合投资策略,两种模型均取得了超额收益,说明模型是有效的.