1、股市投資活動需要一種有效的股市預測分析方法，以增加收益，降低風險。股票市場是一個高度復雜的非線性動力學系統(tǒng)，其變化規(guī)律既有一定自身的趨勢性，又受政治、經濟、心理等諸多因素的影響。建立在數(shù)理統(tǒng)計基礎上的傳統(tǒng)定量預測方法在對股市的研究中面臨著諸多困難，而神經網絡具有自組織、自適應等特點，能自動從歷史數(shù)據中提取有關經濟活動中的知識，適用于解決傳統(tǒng)股市預測中的問題，因而研究神經網絡在股市預測中的應用問題具有一定的理論意義與實用價值。 由

2、于傳統(tǒng)神經網絡訓練方法的局限性，使得其在股市預測中的精度很難提高。為了提高股市預測的高效性和準確性，在系統(tǒng)分析了當前神經網絡研究以及股市預測所面臨的困難后，將粒子群優(yōu)化算法(PSO)與BP算法相結合的PSO-BP混合算法用于股市預測。粒子群優(yōu)化算法是一種基于群體智能理論的優(yōu)化算法，該算法利用生物群體內個體的合作與競爭等復雜行為產生群體智能，為復雜優(yōu)化問題的求解提供了高效的解決方法。 在理論分析的基礎上，給出了BP神經網絡用于股市

3、預測的一般步驟，建立了基于PSO-BP神經網絡的股市預測模型。針對我國股市受宏觀政策等因素影響較大的問題，在模型輸入變量中引入了能夠體現(xiàn)環(huán)境影響因素的環(huán)境變量。最后利用所建立的模型對我國上證綜合指數(shù)進行了實證分析，并與傳統(tǒng)的BP神經網絡進行了比較。 實證結果表明，粒子群優(yōu)化算法可以有效彌補BP神經網絡的不足，改善了BP神經網絡易陷入局部最優(yōu)的問題，大大提高BP神經網絡的收斂速度和預測精度，一定程度上達到了提高算法性能、改進預測效