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，提出了利用BP神经网络进行股市建模的方法。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、自适应等特性，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，找出股市发展的内在规律，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。根据股市市场高度非线性特点及基本BP算法在权值调整过程中存在的收敛速度慢、易陷入局部极小点的缺点，本文提出了一种遗传BP算法。基于BP网络进行股市预测的原理，利用三层前馈神经网络对股市建立预测模型，详细探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定和产生泛化的原因和解决办法等问题。遗传BP算法利用遗传算法进行全局搜索，注重搜索未知区域，处理速度快而对精度要求不高，不易陷入局部极小点，而利用BP算法搜索有最优点的区域，提高搜索速度和精度。理论分析和实验结果表明，神经网络用于股市市场的预测是可行和有效的，有着非常良好的前景，而遗传BP算法更提高了运算的速度和预测的可靠性。通过大量的股市预测实验，本文研究了各种参数对于预测结果的影响，并提出了利用改进的遗传算法优化改进的BP网络初始权值和阈值，在预测过程中取得了良好的效果。