金融是社会生活正常运行的基础之一,与每个人息息相关,而各种金融产品的交易是金融运转的载体,对其价格趋势进行预测对人们投资消费和防范风险,对国家制定货币和财政政策等方面都具有举足轻重的作用。目前利用人工神经网络模型预测金融产品价格需要解决的难点主要在于容易陷入局部极小值,训练时间过长,仿真精度低等问题。本文在研究当前金融产品价格预测方法的基础上首先对比分析多种神经网络模型原理,考虑到金融产品价格非线性动态特性,提出了一种将改进天牛须算法(BAS)和动态反馈神经网络Elman神经网络相结合的金融产品价格预测方法,对BAS算法搜索步长更改系数按照logsig函数迭代以优化其搜索性能,再通过编写粒子群算法(PSO)、遗传算法(GA)、基本BAS算法和改进BAS算法程序分别对测试函数Rosenbrock函数仿真寻优,对比分析仿真结果并选择拥有最佳寻优性能的改进BAS算法优化Elman神经网络初始权阈值,构建改进BAS-Elman神经网络对黄金价格和股票价格进行仿真预测,并与基本Elman神经网络、GA-Elman神经网络、反向传播(BP)神经网络的预测结果和其他文献研究结果作对比分析。通过多次的Matlab试验仿真结果表明,用改进BAS-Elman神经网络预测91个交易日的黄金价格均方误差(MSE)均值为0.94575,相对误差百分比(MAPE)均值0.27032;预测51个交易目的股票价格MSE均值为3.39895,MAPE均值4.3399。本文方法与其他一些金融产品价格预测方法相比有效提高了预测的准确性,改进BAS-Elman神经网络在金融产品价格预测方面有效可行。