如今,随着经济的发展和投资意识的增加,股票投资成为当下人们投资的重要方式,所以对股票价格的预测也成了投资者和研究者都关心的问题。研究结果表明:股票市场是一个非线性动力系统,用传统的时间序列模型对股票价格进行预测,由于其非线性映射性能弱以及难以确定合适的模型结构的特点,所得预测结果一般都不令人满意。因此,如何建立一个运算速度、精确度都比较高的股票价格预测模型,是当下金融投资者关心和研究的重点。本文提出的BP神经网络(Back Propagation)作为一种现代的智能信息处理方法,具有依据数据自适应学习、非线性映射等特点,正适用于处理股票价格这类复杂的非线性问题。BP网络模型会通过对以往历史数据的分析,找到股票价格发展的内在规律,并将其储存在模型具体的权值、阈值中,最后用于预测未来的走势。本文针对现有BP神经网络模型存在的学习速度慢、预测结果精度不高等问题进行改进,通过重新选取神经元的激活函数,对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整,减少隐层节点数,加快网络的收敛速度。最后,基于改进后的BP算法建立预测模型,以实际股票为例对其股价的未来走势进行预测,取得了比较好的效果,证明了改进后BP神经网络模型在对股票价格预测方面的可行性和有效性。