掌握股市的发展规律,提供良好的金融投资环境是股市健康发展的必要前提。因此,对股价指数进行精准有效的预测逐渐成为金融领域的研究热点。然而股票市场具有高度的不确定性、不稳定性以及复杂的非线性等特征,其系统内部因素随时间不断变化,致使预测工作十分艰难。本文基于股价指数的日K线数据,并结合神经网络方法和优化算法,制定了一个股价指数趋势预测模型,全面分析挖掘股票信息,对未来股票指数价格进行预测分析。本文的主要内容可以概括为以下几个方面:首先,本文利用新型的信号处理技术——互补集合模式噪声分解技术（CEEMD）对股价指数时间序列进行数据预处理,对原始数据进行分解和重组,剔除掉股价指数历史数据中的噪声部分,以保留其主要信息;然后采用统计模型自回归移动平均（ARIMA）和三种经典的神经网络模型,即误差反向传播神经网络（BPNN）、Elman神经网络（ENN）、小波神经网络（WNN）,分别预测未来股票指数的收盘价;上述工作完成后,根据组合模型的思想,选取优化算法中的多目标蚁狮优化算法（MOALO）将各个基础模型的预测结果结合,最终输出组合模型最后的预测值,有效利用各个模型优势的同时也弥补了模型彼此之间的缺陷;然后,选取平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、根号均分误差（RMSE）以及误差平方和（SSE）来评估模型精度和稳定性;最后,对模型的有效性进行衡量并结合K线理论进行综合分析。本文为实现模型有效性的对比分析选取模型有效测度进行量化,将本文的多目标蚁狮优化算法组合策略与简单组合平均组合策略在各项误差上进行对比。经上述研究分析,本文的股票指数价格预测系统研究得到如下结论:首先本文所提出的组合模型在各个股价指数的各项误差对比中均达到了最高的预测精度,其预测值和股票指数真实收盘价之间的拟合程度更高。多种验证结果表明,CEEMD-MOALO组合模型的拟合精度更高且稳定性更好。在组合策略上,本文将优化算法组合模型与简单平均构成的模型根据MAPE,MAE,RMSE等各项误差指标进行比较,可以发现,CEEMD-MOALO组合模型在5个股价指数和4项误差指标共计20次验证中,均表现良好的预测性能,从而表明CEEMD-MOALO组合模型的组合策略相较于一般的组合平均更具优越性;结合预测结果的趋势图与K线图对比分析,组合模型在趋势的转折处表现较高的灵敏度。反转信号可以提醒投资者适时调整投资策略,从而体现了本文提出的组合模型预测系统的实际应用价值。综上所述,可以认为,本文提出的CEEMD-MOALO组合神经网络预测模型系统不仅克服了一般技术指标经验论断的局限性,同时弥补了单个模型的内在缺陷,以及模型稳定性和有效性的不足,实现了股价预测系统性能的最优化。最后,提出的模型具有很强的实用性,为避免时间段对预测效果的影响,本文验证了提出的模型在不同时段的股价指数预测,与传统的模型相比实用性较强。