自股票市场成立以来,股票成为大多数投资者的理财方式之一。股市不仅仅受到宏观经济、货币政策、经济周期以及上市公司的业绩影响,更是一个个不同利益集团之间以多控双方为阵营,进行资金、技术、信息、人才等各方面动态博弈的过程,是一个非线性混沌交互过程。随着市场机制的逐步完善,参与股市的机构逐步增多,中国股市将形成不同机构之间博弈的大格局。随之而来也有许多人参与到股市的分析与股价的预测当中。本文首先整理近些年国内对股票预测的方法,通过比较发现国内的预测方法主要分为两大类别:第一类是应用统计学方面的方法对时间序列数据进行预测;第二类是通过神经网络模型等人工智能模型对时间序列进行预测。本文中所介绍的统计学中的方法是统计学中最基础的一些分析预测方法,其中包括了回归分析和时间序列分析;通过这两类分析模型对股票数据做出一个简单的预测。后续论述了如何应用了BP神经网络时间序列训练集进行预测。由于BP神经网络具有非线性映射的特点,它可以以任意精度去逼近函数关系,故其在已分类的数据序列下可以很好地进行拟合。本文主要是搭建一个标准的BP神经网络模型,通过分析模型的收敛速度选择不同参数搭配,判断拟合度是否更好。通过研究上述过程中确定的隐层个数、节点个数、训练函数以及传递函数,之后应用遗传算法去优化BP神经网络的初始参数然后对原始时间序列数据进行预测。与之前的所有结果对比分析,发现GA-BP神经网络模型对于股票价格的预测的效果要优于BP神经网络模型,也就是说GA-BP神经网络模型更适合于时间序列的预测。