股票是市场经济的产物,现已成为金融市场中不可或缺的组成部分,在推助国民经济健康发展、筹措企业资金需求、社会财富再分配以及个人投资理财中发挥着重要作用。但股票价格受企业经营状况、政策走势、经济大环境等诸多因素的影响,投资股市面临巨大风险。对于占股市绝大多数的中小投资者来说,在进行股票投资活动时需要一种有效的分析方法来辅助决策,从而最大限度的降低风险,增加收益。对股市价格预测的方法很多,传统的预测模型大多建立在长期、大样本的数据统计分析基础之上,对数据分布规律性和数据本身的完整性要求较高,中长期的股市预测较为准确。但股市是一个复杂的多变量非线性动态系统,传统方法对股市短期价格走势的预测存在很大局限性。人工神经网络具有良好的非线性逼近能力和对杂乱信息的综合处理能力,其特性与股票市场的研究难点相对应,能够克服传统方法中的不足,在短期预测中准确度较高。近年来,国内外很多学者将人工神经网络应用于股市预测研究,取得了较好的效果。因此本文选择应用广泛、算法成熟的BP神经网络来研究股票价格的预测。首先详细论述了BP神经网络的基本原理和操作方法。对BP神经网络在实际应用中存在的缺点进行分析,针对这些不足引入遗传算法来优化BP神经网络的初始权值,从而解决网络初始权值难设定的问题,有效降低了预测误差并提高了网络的收敛速度。为了验证本文算法的稳定性和实用性,在实验中选择了上证A股的皖通高速和中国石化两支不同类型的股票数据作为实验样本。由于本文进行股票价格的短期预测,考虑到股票价格前后的关联性,将股票连续三天的开盘价、最高价、最低价、收盘价、成交量和MA5作为一个输入样本,第四天开盘价、最高价、最低价、收盘价、成交量和MA5作为输出样本,以此滚动建立训练样本。首先建立BP网络进行训练,然后用遗传算法优化BP网络,通过选择、交叉和变异操作找到最优适应度值个体,将最优个体应用在对BP网络的权值和阈值的优化,然后再对同一样本进行训练。对比优化前后的预测结果可以发现：遗传算法优化BP网络可以大幅提升两支股票的预测精度,同时网络的收敛速度加快。实验结果表明：遗传算法具有优化训练BP网络的能力,将遗传算法优化的BP网络模型应用于股票价格预测是可行的、有效的。实验中也发现该算法只提升原有BP网络的预测精度,并不能把预测误差较大的BP神经网络优化为能够准确预测的BP神经网络。下一阶段将结合其他的算法进行研究,实现更好的预测效果。另外算法的稳定性和成熟性有待进一步的改进和验证。