股票市场作为一个高风险高收益的投资领域,其运作是一个复杂的非线性的系统,容易受到多方面的影响。但是股票市场的价格走势实质上是一种复杂时序函数,因此是可以预测的。人工神经网络是一个非线性的动态系统,可在任意精度内实现变量间的非线性关系的映像,具备解决非线性问题能力、网络学习能力和系统拟合能力,能够满足经济预测要求,使系统具有处理非线性、不确定性问题的能力,从而提高预测精度。利用人工神经网络的非线性及动态的特点,通过调节连接权值可以任意精度逼近任何连续函数,因此也可以逼近证券价格随时间变换这种函数。从而对股票市场的交易模式进行模仿和学习。本文即在相关经济理论指导下,分析了股票市场系统的特点,根据其非线性、不确定性等特点,运用人工神经网络理论,构建了股票价格预测模型体系,提出了基于遗传算法的神经网络和基于粒子群算法的神经网络的系统建模方法,提高了系统预测准确度,并对实验结果进行了比较。本文的第一章介绍了预测、预测的研究背景,国内外研究的状况,预测的方法,神经网络的发展与其在经济领域中的应用,评价预测效果的几项误差指标等;第二章提出了神经网络的结构、算法,以及BP网络收敛速度慢,不易收敛到全局最小,泛化能力差等问题;第三章用具体的时间序列数据为例来研究了BP神经网络的逼近能力,第四章利用基于遗传算法的神经网络对股票市场的数据进行了优化,对逼近的结果进行了比较。第五章利用基于粒子群算法的神经网络对股票市场进行预测,并对结果进行比较。本论文总结了前人研究成果,针对前人研究的不足,提出了作者自己的观点和想法,并把它们付诸实践,力求为我国进行基于神经网络的股票市场预测提供有效的手段,为推广人工神经网络技术做出努力。