时间序列预测(Time Series Prediction)是数据挖掘中的一类典型问题，被广泛应用在经济、气象、通信、医疗等领域。作为概率统计学科中应用性较强的一个分支，时间序列分析有比较完整的理论系统。自回归模型AR(n)、滑动平均模型MA(m)、自回归滑动平均模型ARMA(n，m)以及非平稳的ARMA(n,m)模型[1][2]等线性模型，对于实践都有极为重要的指导意义。但对较为复杂、非线性的时间序列(例如时序股票数据)，这类模型的预测结果不能满足实际的需求。在时间序列预测中，股票预测一直被认为是当前时间序列预测中最具挑战性的应用之一，受到数据挖掘界的广泛关注。　　 随着神经网络(Neutral Network)的兴起，不少研究者都把它运用在时间序列分析上，提出了很多有用的模型，随着研究的深入，人们逐渐认识到它存在收敛速度慢、易陷入局部极小点等缺点，同时模型受网络结构复杂度和样本复杂度的影响较大，有时会出现学习或泛化能力过低的现象。　　 近年来出现遗传算法与神经网络算法相结合构成的混合遗传算法，因为遗传算法(GA)是模拟生物进化过程的全局优化搜索算法，利用GA的全局搜索优化BP网络的结构、权值参数，可以有效克服BP算法的收敛速度慢、易陷入局部极小点、鲁棒性不高等缺点，所以混合遗传算法有十分广泛的应用。　　 随着演化算法的发展，基因表达式(GEP)结合了遗传算法(GA)的简单线性染色体的思想和遗传程序设计(GP)中使用的大小和形状不同的分叉结构思想，是GA和GP的一种必然的发展。在解决时间序列、符号回归等问题上，有无法比拟的优越性。　　 已有学者把GEP算法应用在股票指数时间序列分析上，取得比较理想的结果。本文在此基础上进行了改进，提出基于GEP的BP神经网络，通过股票指数收盘价验证，得出该混合模型比单独使用BP神经网络效果更好，预测精度更高，误差更小。　　 本文的主要工作包括：　　 (1)提出了基于主成分分析(PCA)的遗传神经网络股票指数预测算法，使用主成分分析法选取输入变量，并将GA-BP混合建模应用于沪市综合指数预测中，有效克服了神经网络的缺陷并成功地应用于股票指数预测研究中。　　 (2)提出了基于GEP的BP神经网络(GEP-BP)算法　　 用基因表达式编程技术构建BP神经网络的结构和权阈值，得出最优的神经网络的结构和权阈值。此方法避免了一般神经网络依靠经验确定网络结构的困难，为神经网络进行预测建模提供新的思路和方法。　　 (3)将GEP-BP预测沪市综合指数收盘价　　 相同的股票数据下，应用GEP-BP与BP神经网络分别对上证指数进行了预测。通过实验结果比较，得出了GEP-BP具有较好的预测性能，表明了GEP-BP算法在股票预测效果上比BP神经网络方法好，精度上比BP网络高。