随着经济的发展和人们投资意识的转变,股市已成为现代人生活中的一个重要组成部分,股市投资已成为社会公众谈论的中心之一,而股市的健康发展和繁荣也成为管理者和投资者关心和研究的重点。股市投资的收益与风险往往是成正比的,即投资收益越高,可能冒的风险越大。因此,股市预测方法的研究具有极其重要的应用价值和理论意义。但是股价系统内部结构的复杂性、外部因素的多变性决定了这项任务的艰巨性,而传统的预测工具已不能满足这种需要。本文在深入分析股市投资理论和股价预测方法的基础上,使用BP神经网络作为股市预测的网络模型。股市市场是一个极其复杂的非线性动力学系统,而神经网络具有很强的非线性逼近能力和自学习、白适应等特性,实验证明,利用神经网络对股市建模可以取得较好的预测效果。因为股市市场的走势看起来杂乱无章,但实际上有其内在的变化规律,而这正是神经网络预测股市的基础。BP网络通过对以往历史数据的学习,找出股市运行的内在规律,并将其存储在网络具体的权值、阈值中,用以预测未来的走势,尤其对于短期的预测效果更为明显。然而,BP神经网络存在学习收敛速度缓慢、易陷入局部极小点等缺点,使其对股市预测的效果不能令人满意。鉴于此,本文采用遗传算法与BP神经网络的融合策略,来达到克服其缺点的目的。遗传算法与BP神经网络相结合运用于股市预测的研究早已不是什么新鲜事了,但对于换手率作为因子能否用于股市预测?如何在预测网络模型中加入换手率因子?到目前为止还没有学者作过研究。作为首次研究,本文提出了两种将换手率作为因子加入到预测网络模型的方案:一,换手率和收盘价同时作为网络的输入数据;二,平均换手率作为隐含层阈值的附加值。对每个方案开发一个预测系统,通过系统的实际运行来判断换手率作为因子能否用于股市预测以及预测效果如何,从而达到研究遗传算法与BP神经网络融合策略在时间序列预测中应用的目的。