随着我国经济的快速发展以及股票市场的日益成熟,人们对于股票市场的关注程度亦在逐渐增加,如今股票已成为投资者最重要的投资途径之一。有效地进行股票价格的预测,在风险可控的范围内实现收益的最大化,是投资者进行股票投资的第一要义。众所周知,当股票市场的有效性达到强式有效时,一切市场信息都会包含于股价之中,此时无论是基本面分析还是技术分析,于股市投资者而言均是无效的,对股票价格的变动进行研究预测也不再具有任何现实意义,因为短期股价的波动是符合随机游走模型的。然而到目前为止,包括欧美发达国家的证券市场在内,全球没有一个证券市场的有效性达到强式有效,这就表明股价变动的轨迹并不是完全随机的,而是在一定程度上依赖于股票价格的影响因素。但在股价预测研究的实践中,我们会发现股票价格并不是所有影响因素的简单线性组合,因此一些常用线性模型在股价预测问题上不能显现出任何的优势。而相比于传统的非机器学习或者简单技术指标分析,多变量非线性系统模型对这一问题有着良好的处理能力,对于股票价格的预测研究具有更便捷、更有效的应用意义。神经网络本身具有的强大的映射能力、学习能力与适应能力,可以很好地拟合股价影响因素之间的非线性关系。然而由于神经网络自身还存在一些缺陷,比如输入数据可能存在数据冗余的问题,很难寻找全局最优值,往往是局部最优,并且还存在训练时间过长等问题。因此本文基于以上提到的BP神经网络存在的不足从而提出了PCA-GARCH-BPNN模型,该组合模型可视为BP神经网络的衍生模型,不仅极大优化了网络性能,还明显改善了股价预测效果。本文研究标的为我国A股市场中的创业板指数,以2016年1月4日至2019年8月30日创业板指数相关数据为研究对象。当前我国经济正处于产业转型的关键时期,产业的全方位升级已成为经济发展大趋势。相比于主板和中小板市场中的成熟产业企业,创业板上市企业所具备的创新性、成长性特点以及涵盖的新兴产业多元性,与我国长期发展的产业转型战略更加契合。因此,对创业板指数的股价波动情况进行研究,可以帮助有关方面了解创新型企业在整个市场中的认可程度、掌握新兴产业发展态势,为我国经济的下一步产业升级转型提供良好的指导意见。同时,创业板指数与我国其他大盘指数的相关程度较低,对于普通投资者而言,选择一个流动性好、投资风险较小且具有代表性的创业板指数进行股市投资,将有利于他们分散整体投资风险。文章的主要部分首先借助主成分分析法（PCA）对输入变量进行降维处理,使其在保持原有数据信息的同时降低模型复杂度。然后通过对创业板指数股票收盘价的描述性统计、平稳性检验和ARCH效应的分析结果发现创业板指数的股票收益率具有高峰厚尾分布的特征,且具有ARCH效应,故本文采用GARCH模型对创业板指数股票收益率进行拟合。进而通过实证对比分析得出GARCH（1,1）模型相比于其他阶数的GARCH模型对创业板指数收益率的拟合效果是最好的,将利用GARCH（1,1）模型预测得到的股票收益率序列作为一个全新的指标加入BP神经模型,使模型融合了股价的波动情况。最后利用模型综合评价指标衡量四种不同神经网络的拟合预测效果,从中选出最优预测模型。本文通过R软件仿真实验结果发现PCA-GARCH-BPNN模型的预测正确率和准确率均优于BPNN模型、PCA-BPNN模型和GARCH-BPNN模型,且该模型在神经网络隐含层节点数为5时对于创业板指数股票收盘价数据的拟合程度最优。该结论可证明通过主成分分析法和加入GARCH模型优化后的BP神经网络模型的预测精度更准确且具有良好的稳定性,因此将该模型应用于创业板指数股价预测是可行有效的。