投资股市具有高回报性,但与之相伴的还有它的高风险性。个人投资者和机构投资者都希望能够找到一种有效的方法,来对今后股市的运行状况进行判断及预测。长期以来,上证指数被一致认为是整个国家实体经济发展状况的先行指标。对于投资者而言,股指可以为股市的投资布局提供指导;对于监管部门而言,它对于实施股市监督和调控的具有重要的参考作用。所以,为了增加投资者的收益,并使监管部门可以有效的对股市进行监督和调控,如何有效提高股指预测的准确度具有重大的意义。在本文中,利用遗传算法优化的自适应神经模糊推理系统ANFIS混合模型来预测股票指数。由于具有良好的非线性问题处理能力、强大的自学习能力及自适应能力,神经网络已经被越来越多的用于股指预测之中。模糊控制和神经网络存在很多互补的特性,本文在总结国内外学者研究的基础之上,阐述了神经网络和模糊控制原理,分析了两者的可融合性。采用单步预测法,即前日数据预测当日收盘指数,运用主成分分析法、减法聚类和遗传算法构建GAANFIS模糊神经网络模型。首先采用主成分分析法处理输入变量,减少变量维数、降低数据噪声,然后将数据归一化,之后采用减法聚类初始化ANFIS网络结构,最后利用遗传算法优化聚类参数构建GA-ANFIS模型。为验证所提出组合模型的实用性,本文在实证分析方面主要分为三个阶段来逐步进行:第一阶段,采用GA-ANFIS自适应神经模糊推理系统模型对上证指数收盘价进行预测,结果表明模型预测效果较好,预测精确度较高且误差较小;第二阶段,采用BP神经网络模型对上证指数收盘价进行预测,并与GA-ANFIS模型预测效果进行对比,结果表明GA-ANFIS模型预测效果优于BP神经网络模型;第三阶段,使用传统的时间序列分析法ARIMA模型对上证指数进行预测分析,并与GA-ANFIS模型进行对比分析,结果表明GAANFIS模型具有更好的预测效果。