随着我国金融市场改革的不断深化,尤其是融资融券业务以及股指期货业务的推出,为证券衍生产品的推出提供了前提条件。但基于发达国家成熟金融市场以及诸多前提假设的传统衍生产品定价理论,在很大程度上不能够很好的描述现实市场尤其是中国市场上交易的衍生产品价格。本文通过利用人工神经网络实现了对中国权证价格预测的非线性模型,并在模型的构建中利用各个输入指标各自多日数据,建立起各指针各自的特征值矩阵作为输入变量,同时利用各指针在神经网络的不同权重选择输入变量,优化神经网络,解决了多指标、多日数据的处理问题以及输入指标的优化问题。同时也通过利用中国权证交易市场数据对建立的非线性预测模型进行了实证检验,实证结果显示基于人工神经网络的预测模型对一周的涨跌准确率可以达到80%。本文首先回顾相关文献,明确了中国金融市场的可预测性,并介绍了权证的相关知识。其次,通过介绍传统的权证定价模型及方法并利用中国权证市场交易数据对其进行实证检验,证明单纯使用传统的定价模型及方法并不能很好的对中国金融市场上正在交易的权证进行定价。然后,在第三章当中建立起了对权证价格预测的非线性模型,并阐述了非线性预测模型的实现方法——人工神经网络。随后,建立了基于BP算法的多层前馈式神经网络预测模型,并在模型的构建当中通过利用各指针输入数据以及回溯期(LAG)天数,分别为各指标构造出其独自的方阵,并求出在不同LAG天数下,各指标方阵的特征值最大值所构成的神经网络输入矩阵;在对输入数据的归一化过程当中,也充分利用中国市场特有的涨跌停机制,对输入数据进行归一化处理;利用各输入指针在神经网络中的权重大小,对输入指标进行删减,优化预测模型;并通过相应的程序设计该模型实现了自动查找出最佳的前置天数以及求出所对应的神经网络模型,避免了人为设定LAG值对预测模型的影响。同时也利用了相关数据对模型进行了实证检验并与传统定价模型方法对比,证明基于BP算法的多层前馈式神经网络预测模型无论是在涨跌方向上的预测还是具体价格的确定都优于传统的定价模型及方法。最后,然后针对BP神经网络模型的缺点,建立了基于径向基函数神经网络模型,并通过黄金分割算法解决了径向基函数中SPREAD值确定的问题,优化了神经网络。同时也利用了相关数据对模型进行了实证检验并与相关模型进行比对,证明基于径向基函数神经网络的预测模型在预测效果上略逊于基于BP算法的多层前馈式神经网络。