有效市场条件下,股票价格的变动反映了所有的信息,短期股价随机游走,技术分析不能帮助投资者获得超额收益。然而,大量的实证证明,股票市场并非是有效的,股票价格运行存在一定的规律性。股票价格走势实际上是一种复杂的非线性函数,因而股价具有一定的可预测性。影响股票价格波动的因素很多,各因素对股价波动的作用方式也异常复杂,因而基于统计学的时间序列预测方法难以取得满意的效果。为了解决这个难题,具有优秀模拟性能的人工神经网络被引入金融预测领域。理论上,对于任意的连续函数,它能在一定的精度范围内实现良好的模拟。人工神经网络的独特性在于它是一种黑箱理论,能不追溯数据产生原因,通过给定的训练样本进行机器训练,建立输出与输入变量之间的函数关系,建立非线性过程的模拟模型。利用神经网络来进行股价预测是非常适合的。本文以广泛用于预测实践的BP神经网络为基础,针对其存在的缺陷设计优化方法,结合影响股价运行的各种技术因素,通过网络结构设计和参数选择不断进行实验。通过实证检验,得出如下结论：1.股价的可预测性证明了我国股票市场运行有其内在规律,上证指数的运行不是杂乱无章的,我国股票市场未达到弱势有效。2.运用带动量因子梯度下降法和参数自适应BP算法可以优化BP神经网络的性能,该模型在股价预测中体现出良好的性能,因而该改进算法在实践中是可行的。3.BP神经网络能在较好的精度内预测股价的运行状况,与传统线性预测模型相比,神经网络模型在股价预测上具有明显的优越性。本文结构为：第一章为绪论,介绍选题背景和意义,国内外研究现状,本文的研究方法、思路、文章结构和创新之处。第二章为神经网络理论,介绍神经网络的基本概念、特征。同时阐述了BP算法的数学基础,并提出优化措施。第三章为模型的设计,先进行模型的可行性分析,然后设计网络结构和初始参数。第四章为实证分析,对原始数据预处理后训练神经网络模型,确定模型参数后得出实证结果。最后为结论,总结模型在我国A股上的预测能力,得出结论并指出本文的不足和今后的研究方向。