近年来,人工神经网络（ANN）的快速发展,为股票市场的建模与预测提供了许多新技术和新方法。目前,国内外很多学者建立了基于人工神经网络的股票价格指数预测模型。还有一些学者,尝试将多种模型和人工神经网络模型混合应用,但是这些模型都存在一定问题,其预测性能不尽人意。本文针对现行的股价指数预测方法的不足,根据股票价格指数的非线性变动特点,探讨基于遗传算法_GA的人工神经网络股价指数预测模型的建立与应用。具体来讲,全文共分为七章。第一章是导论,阐述本文的选题目的和意义,综述国内外利用人工神经网络进行股价指数预测的研究,并概述本文的研究内容、研究方法和技术路线。第二章,论述股价指数预测的现状和存在的问题。目前国内外学者利用人工神经网络进行股价预测,主要是基于两类方法,一类是利用单一的人工神经网络进行建模预测,但是由于单一神经网络存在的“过拟合”问题,其预测性能并不理想;另一类是混合多种人工智能技术进行建模并预测,但依然存在变量选择、算法选取和样本设计不合理等问题,同时,混合多种智能技术的模型应用往往十分复杂,限制了其实际应用。第三章,阐述人工神经网络和遗传算法的基本理论。重点阐述BP神经网络的基本结构设计和遗传算法的原理及基本流程,并根据我国股价指数变动的特点,构建基于GA的ANN股价指数预测框架。第四章对股价指数预测进行分析。在分析股价指数预测难点的基础上,重点阐述了将遗传算法与BP神经网络相结合,进行股价指数预测的优势。利用遗传算法优化BP网络的权值,既克服了单一BP神经网络存在的“过拟合”问题,又解决了单一遗传算法的收敛性差的问题。即可利用基于遗传算法的BP神经网络模型的非线性函数逼近特性,对股价指数进行预测。第五章,建立基于GA的ANN股价指数预测模型。首先确定BP神经网络结构和初始权值;接着构造训练样本,对BP网络进行初次学习训练,并用测试样本对网络的预测性能进行检测;然后,利用遗传算法对BP神经网络的权值进行优化,并将优化后的权值和阀值固定下来,利用训练样本对优化后的网络进行再次训练,并再次进行测试,最终建立基于GA的ANN股价指数预测模型。第六章,是沪深300指数预测。选择具有较好市场代表性的沪深300指数,利用第五章建立的模型,对沪深300指数进行预测。预测结果表明,文中所建立的基于GA的BP网络模型预测比较精确,可将其用于实际中股价指数预测,为投资者提供一定帮助。第七章是结论与展望。本文的基本结论为:经过遗传算法优化后的BP网络模型能够提高指数预测的精度;模型需要合理确定BP网络输入层和隐层神经元数目;优化时需要合理确定遗传算法的控制参数。但同时,用遗传算法优化设计BP神经网络,还需进一步探讨遗传算法适应度评价函数的确定,神经网络的输入变量和样本规模等方面的研究。本文的创新工作是,构建基于GA的ANN股价指数预测模型,并应用于沪深300指数预测。