随着股票交易制度的逐步完善,股票也成为一种重要的投资方式。股票指数与其成分股一般具有正向关系,股指一般作为股票市场的“晴雨表”对投资者从整体上把握股票的行情,政府制定宏观政策中具有重要作用。然而由于股市变化比较复杂,所以很难有比较精确的预测。所以本文主要是基于已有的关于股指预测的研究,从以下三个方面进行研究。首先简单介绍目前股指预测研究的理论以及进展,紧接着介绍了两种神经网络模型,多层感知机模型(MLP)以及函数连接型神经网路(FLANN),以及两种参数优化算法,BP算法以及粒子群算法(PSO),并分别对他们进行比较。其次,介绍了基于小波变异的粒子群算法(WM-PSO),分析其可能存在的问题并对其进行改进,得到改进的基于小波变异的粒子群算法(IWM-PSO),通过5个Benchmark函数进行数值模拟,以验证算法的性能。通过结果分析可以发现,所提出的IWM-PSO算法在搜索结果的精度以及稳定性上相较于其他模型均达到了最优。最后,利用沪深300指数进行实证研究。选择沪深300指数2016/1/21到2017/3/15共计278个交易日的数据构建模型的训练集与测试集来验证模型的预测效果。在对于股指的预测方面,IWM-PSO-FLANN模型在三个标准下均达到最优,同时发现利用三角函数展开的效果要优于利用多项式进行展开的结果;在对于收益率的预测方面,在三个标准下的表现与股指预测的相同,除此之外对预测符号以及绩效的分析中可以发现,IWM-PSO-FLANN模型的预测准确度最优,同时可以达到最高的收益绩效。