前馈型多层神经网络模型能逼近任意非线性函数。目前,己广泛应用于模式识别、语音识别、数据压缩等领域。BP算法作为其学习方式有效地解决了异或、T-C匹配问题,但BP网络的学习过程是对一个高度非线性函数求全局最优问题,网络训练中尚存在许多问题,如网络收敛慢,易陷入局部极小点等。本文对原算法和目前常用的改进算法进行了分析,找出了原算法存在问题的原因。并试图在前人工作基础上,对原有算法做出些微改进,以期新算法在股市预测中取得良好表现。本文主要从激活函数和学习规则这两个角度修改算法:首先,重新选取激活函数,并对步长因子、动量因子做出相应修改。这里激活函数选取如下:f(x)=(1+λx)~2/(1+λx)~2+(1-λx)~2,-1/λ≤x≤λ(λ为一很小的正数)。通过对该函数的分析,得出它是其定义域内单调有界S型函数,且可避免(0,1)边界误差较大问题。至于λ,则设为动态可调。其次,为了解决有固定学习步长BP算法的效率问题,本文提出了一种基于共轭梯度方法的全局最优化学习规则,并对所得新算法的收敛性做出了分析及简要证明。之后,本文将该改进算法先后应用于芝加哥期权交易市场的期权价格波动率的预测及沪市中上证综合指数的预测。在这两个应用中,我们将其预测结果与现存的其它预测方法做出比较,对本文所提出算法作出一个较为客观的评价。从本文的两个例子来看,该算法的精确度和效率与其它方法相比都要优越很多。本文结构如下:在第一部分中,阐述了BP神经网络的基本结构和标准算法,对现存改进算法做出分析并提出一种新的改进算法。第二部分对该算法所要应用的领域——股市期权做出简要介绍,分析了波动率在经济领域中的重要性及其常用计算与预测方法。第三部分将该算法分别运用于期权波动率及股市指数的预测,获得了精度非常高的结果,说明了改进的BP算法的有效性。最后我们得出结论,改进的BP算法大大提高了训练速度,基本上解决了局部极小的问题,为神经网络技术提供了一种新的思考问题的方法。