我国股市起步较晚，股票市场尚不成熟，在获取高收益的同时，还面临着高风险，表现为：股价波动剧烈，时常伴随着暴涨暴跌的现象。同时股票市场是一个复杂的系统，各方面诸如政治、经济、行业以及市场供求等因素都会对其产生深刻的影响，这就使得股价呈现出时变性、非线性和非平稳性等特征。此时，对股票市场预测显得尤为重要。传统的分析方法在线性方面取得了较好的预测结果，但是在非线性方面表现出不足，无法对股票市场做出精确的预测。随着技术的发展以及人工神经网络的诞生，为股票预测注入新的活力。因此，借助神经网络对股票市场进行预测，以提高准确率具有一定理论和实用价值。
本文首先选取上证指数的46个技术指标，对其进行相关性分析，依据热力图及相关系数表选取其中相关性较低的因素作为BP神经网络的输入变量，剔除掉相关性较高的变量；接着考虑不同变量值的差异以及量纲的影响，对数据进行预处理；选取激活函数（　，　，Tanh，　）与训练函数（　，　，　）的不同组合进行训练，得出最优的激活函数与训练函数的组合；然后在最优的组合下，通过改变隐含层的结构，得到准确度最高的隐含层；最后在之前的基础上，比较两种预测模式：4日预测模式和9日预测模式。
通过实证得出结论：不同的数据预处理方法下，通过归一化方法得到的数据所得准确率较高；从不同激活函数与训练函数的组合的准确率看出，当激活函数为Tanh，训练函数为　时，无论总体还是测试集都有着比较高的准确率；当隐含层结构为20-20-20时，所得到的结果最好，准确率为63%左右，在此结构的基础之上，增加或减少神经元个数，准确率反而会降低；结合4日数据进行预测与结合9日数据进行预测相比，9日预测数据有着更高的精度，原因在于：9天的数据包含着更多的信息，综合考虑更多的信息能够增加预测的准确性。使用以上优化方法的BP优化模型与ARIMA模型、BP网络、指数平滑法对上证指数进行预测结论的比较，结果证明BP优化模型具有更好的优化性能。