在过去的几年中,各种研究人员和金融分析师强调了非线性分析在金融市场活动中的意义。考虑到一种新的金融分析方法似乎是必要的—金融市场的非线性分析集成。神经网络计算领域的开发者提供了一种新的基于数学工作的金融非线性分析方法,由于该方法其自身良好的学习,纠错能力和非线性逼近能力,在时序列预测中发挥了重要的作用。预测是时序列研究的应用之一,金融时序列数据是时序列的重要组成部分,并且与人们的生活密切相关。研究金融时序列预测可以对人们的风险投资、国家对经济的调控起到一定的参考作用。本文首先介绍了目前常用的时序列预测模型,随后介绍了各种神经网络模型,并着重介绍了基于RBF神经网络的金融时序列预测模型,同时指出RBF神经网络存在的缺陷,并在此基础上提出来了改进的RBF神经网络模型。改进的模型主要在RBF中心点和径向基宽度的选取上进行了调整,将原有的最近邻聚类中以第一个进入该聚类的输入向量作为中心点调整为以该类中所有向量的平均向量作为该聚类的中心点向量,对径向基宽度的选择则采用迭代最优化选取的方式进行选择。将改进的RBF神经网络应用于金融时序列的预测,并通过比较采用原来的RBF神经网络所做的预测,发现改进的网络在预测的准确性和训练的效率上都有所提高。验证了该算法的可行性最后对改进的算法可能存在的过拟合现象进行调整,消除隐含层中冗余的中心点,降低网络结构的复杂度,提升对未知模型预测的性能。每新增一个中心点时则动态的与已经有的中心点进行对比,判断是否冗余。当两个中心点的向量内积逼近于1时,则动态的删除其中的一个中心点,将这个输入向量归于最近距离的聚类中。通过实验,我们发现通过消除过拟合,能很好的删除冗余的中心点。