随着市场经济的发展和金融市场的完善,股票市场与实体经济的联系也越来越紧密,股票市场不但充当企业上市融资的途径,也为投资者提供了获取收益的平台。在股票投资过程中,基本面分析和技术分析是其中两个非常重要的分析手段,有长久的发展历史。但是随着人工智能的发展,尤其是数据挖掘技术的成熟,量化投资逐渐受到投资者追捧,越来越多的投资者和研究人员开始研究数据挖掘在投资分析中的应用。本文介绍了目前证券市场常见的分析方式和数据挖掘领域的发展情况,着重介绍人工神经网络算法并进行了公式推导。本文以沪深300指数(HS300)的涨跌为研究对象,选择时间跨度为2012年1月1日到2017年1月1日六年间的1213个交易日收盘原始数据,以BP神经网络模型为实证分析方法,通过调整隐藏层节点个数、学习率和神经网络隐藏层的层数,然后再与支持向量机方法进行对比,得到最优的模型。同时,本文还分析了支持向量机算法在预测指数收益中的应用,通过选择径向基函数、优化惩罚系数和gamma得到最优结果,与BP神经网络算法结果进行对比。结果表明:数据挖掘技术,尤其是BP神经网络可以应用于证券市场,并取得良好的预测效果。通过对比BP神经网络和支持向量机,前者取得了更好的预测准确率,但是稳定性较差。由于BP神经网络是暗箱模式,所以训练速率、隐藏层数目与实际结果并不具有明显的相关关系,但是网络层数与预测准确率有一定的正相关关系。