随着经济的发展和人们投资意识的转变，股票已成为现代人生活中的一个重要组成部分，股票投资已成为公众谈论的话题之一，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。股票投资的收益与风险往往是成正比的，即投资收益越高，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。 首先，论文介绍了现有的各种股市预测方法以及国内外股市分析软件的现状和神经网络的发展过程，然后深入地分析了前向网络的结构、学习能力及BP算法，指出前向网络用于股市预测的几点不足之处。 然后，结合股市自身状态随时间推移不断变化的非线性动态系统特点，提出了利用动态神经网络预测股市的方法，并深入分析了动态神经网络的稳定性。 最后，给出了利用神经网络建立股市预测模型的具体步骤，并且在网络学习中，利用遗传算法优化了网络的权值，简化了网络结构。通过大量的股市预测实验，得出了使得预测结果最优的各个参数值，从而达到了比较理想的预测效果。通过把预测结果与其它网络的结果进行比较，从而证明了非对称动态神经网络具有更好的预测能力。