股票是市场经济的产物，从诞生的那天起就牵动着数以千万投资者的心。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。个人投资者和机构投资者时刻关心股票行市，分析财务数据，试图预测股票的发展趋势。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。 本文提出了利用BP(Back Propagation)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。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、阈值中，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。通过分析激活函数在传统BP算法中的作用，提出一种新的激活函数，有效的加快了网络学习的收敛速度。在实验中对标准BP算法和改进后的BP算法的性能做了比较。最后以上证收盘指数为例，结合在线学习方式对所建的预测模型进行训练和预测，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。