随着社会经济的发展，人们对投资理财的关注度持续升温，投资股市已成为越来越多人的选择。然而，由于股票市场受经济、政策以及投资者心理等诸多复杂因素的影响，是一个高度复杂的非线性动力系统，具有典型的不确定性的特点，致使股票投资虽然高回报但同样要面临高风险，一旦预测不准势必会造成投资者资金的损失。所以对投资者来说需要一种有效的分析方法来辅助决策，尽可能的将风险降到最低。自从股市诞生以来就涌现出了很多的预测方法，传统的预测方法大多建立在长期、大样本的数据统计分析基础之上，所以对中长期的股市预测比较准确。但是股市是一个复杂的非线性动力系统，传统的预测方法在面对风云变幻的短期股市价格预测上有些力不从心。人工神经网络具有很强的非线性逼近能力、自学习和自适应等特性，因而非常适用于解决股市预测领域中的一些问题。近年来，应用人工神经网络对股市预测的研究已成为国内外学者研究的热点，并取得了较好的效果。本文选择了算法成熟、应用广泛的BP神经网络来对股票价格进行预测，但是BP神经网络存在收敛速度慢、易陷入局部极小点等不足，针对这些不足本文引入遗传算法来其权值和阈值进行优化，以达到较好的训练效果。本文分别对BP神经网络和基于遗传算法的BP神经网络进行了实验，实验预测结果分析表明：经遗传算法优化的BP神经网络收敛速度和预测精度都有提高，引入遗传算法对BP神经网络进行优化可以防止BP神经网络陷入局部极小点，达到较好的训练效果，因此基于遗传算法优化的BP神经网络对股价进行预测是可行的。