随着我国经济体制改革和金融体制改革的深入,证券投资已成为社会生活的一个重要组成部分,股票交易作为证券投资的一种,是现代经济生活中最常见的风险投资活动。但股票市场是一个复杂的非线性动力系统,利用传统的时间序列预测技术存在一定的局限性,而近十几年发展起来的神经网络理论逐渐成为非线性动力系统预测与建模的强有力工具。本文以股价预测为研究对象,分析了目前股价预测的四种主要方法,包括投资分析法、时间序列分析法、非线性系统分析法以及组合预测法,并在人工神经网络和遗传算法的基础上,提出了GA-Elman动态神经网络股价预测模型,即借助遗传算法来训练优化网络的初始权值。该模型的优点是:保证了神经网络有良好的“记忆”功能的同时,使用遗传算法全局变异算子避免了神经网络陷入局部最优,并且由于其具有并行搜索的特性,保证了算法的快速、稳定。为了验证该模型的可行性和有效性,本文的实证研究主要分三个阶段来逐层推进:在研究的第一阶段,选取了中国联通和四川长虹两支股票对该模型进行检验,实证结果表明:该模型的一致率较高,在大多数情况下可以准确预测股价走势。在研究的第二阶段,以上证收盘指数为预测对象,对GA-Elman动态神经网络股价预测模型以及BP预测模型,RBF预测模型进行了比较分析,实证结果表明:GA-Elman动态神经网络股价预测模型的预测效果明显优于其它两种静态神经网络模型。在研究的第三阶段,同样以上证收盘指数为预测对象,对GA-Elman动态神经网络股价预测模型与传统的时间序列模型进行了比较分析,并对两种预测模型的预测结果进行误差评价,实证结果表明:两种模型均取得了较好的预测效果,各有利弊。同时,也证明了将动态神经网络模型应用到股市预测领域,是可行的、有效的。