近年来,中国的经济快速增长,证券市场不断扩大,股票市场迎来空前的繁荣期,投资者面临着前所未有的机遇,同时也面临着高风险和高挑战。庞大的股民数量和便捷的交易方式,使得股市市场产生了大量有价值的信息,每个交易日都有着海量的数据流通,这些数据构成了投资者进行投资分析的主体之一。在中国股市市场,基于计算机和大数据发展起来的量化投资策略逐渐兴起,量化模型日益成为指导市场投资的主流工具。与此同时,股票市场本身具有的非线性和复杂性等特点,使得传统的投资策略很难达到人们的期望,而人工神经网络具有的较强的非线性逼近能力和其自学习、自适应等特性,使得其在股市预测方面的优越性日益凸显。本文选取了自2012年11月21日至2016年12月30日共1000个交易日、15个指标的上证综合指数数据为研究对象,首先通过主成分分析法对输入指标进行降维处理,最终得到5个主成分变量,然后建立了针对上证综合指数的时间序列ARIMA-GARCH模型和BP神经网络预测模型。然而,BP神经网络固有的一些缺陷,如学习收敛速度太慢、网络结构不易确定等,制约了其预测的精度和速度,因而本文又利用遗传算法来对神经网络进行优化,建立了遗传算法优化的神经网络模型。最后,论文选取相对误差为衡量指标,对模型结果进行对比分析。论文研究结果表明,神经网络在股价预测精度方面显著优于ARIMA-GACH模型,且经遗传算法优化的神经网络较之一般的神经网络在预测速度和精度方面也有所提高。