证券市场在我国的发展已有 140 多年的历史， 它有效的推动了我国经济的发展，并且引发了我国人民的理财观念。但就目前来说，我国的证券市场仍然处于发展的初期阶段。对股票价格进行准确的预测能够给投资者带来收益， 但是鉴于股票市场的复杂性，做出一个有效的预测模型是一项具有挑战性的研究。国内外已有不少学者在这一方面做了大量研究，但由于国内证券市场尚不成熟，所以学术性研究相对国外来说可能相对少一些。
根据对大量相关方面文献的研读，总结出股票预测方法主要分为如下几类：
1、证券投资分析法，如基本面分析法、技术分析法、金融模型分析法等
2、数理统计分析法，如时间序列分析、支持向量机等
3、现代技术分析法，如基于神经网络分析、基于小波分析、基于混沌预测等
4、其他模型，如灰色预测模型、模糊预测模型、组合模型等
上述方法中，最为常见且应用成熟的当属人工神经网络，时间序列的应用也较为普遍。人工神经网络起源于1943年生理学家 McCulloch和数学家 Pitts 发表文章提出了第一个神经元模型(M-P 模型)，发展至今有很多衍生出来的成熟模型解决了很多实际问题，它是一种旨在模仿人脑结构及其功能的信息处理系统。然而人工神经网络应用于股价预测则相对较晚。 它是1988年由美国人White, H. 根据 IEEE国际会议对神经网络的研究撰写的《Economic prediction using neural networks:The case of IBM daily stock returns. international conference on neural networks》 ，进而引起了广大学者对神经网络用于证券投资市场的研究兴趣。接下来的几十年里， 不少学者试图对不同模型与人工神经网络模型的效果做对比研究：2005年， Altay和Satman在 《Stock market forecasting: Artificial neural networksand linear regression comparison in an emerging market》一文中指出，通过对国际证券交易 30 指数与国际证券交易指数的数据分析，对比人工神经网络与最小二乘法回归模型在股价预测中的性能， 尽管人工神经网络在日交易和月交易数据的预测性能并不优于线性回归模型， 但人工神经网络却能精确的预测指数的变化趋势。
Yakup Kara、Melek Acar Boyacioglu（2011）发表《Predicting direction of stockprice index movement using artificial neural networks and support vector machines:The sample of the Istanbul Stock Exchange》一文中对比了人工神经网络与支持向量机对股票市场的预测。 对伊斯坦布尔股交所国际100指数， 选取了 1997 至2007年共 2733 个交易数据样本。 样本的 20%用于模型参数的设置， 余下数据中的 50%用于模型训练，50%的数据用于两模型的比较。根据前人的研究，选取了 10 个具有代表性的股市指标。模型的运行均是通过 MATLAB 工具箱完成。文中指出支持向量机中的二次函数分 Polynomia、Radial Basis 两种，首先对比应用这两种函数对股价预测的性能，发现 Polynomia 函数优于 Radial Basis 函数，接下来对比Polynomia 与人工神经网的性能，结果显示支持向量机（Polynomia 函数）与人工神经网络对股价的预测均有效，但是人工神经网络相对优于支持向量机。文章数据样本来源市场较成熟，数据可靠，且数据样本足够大，有较强的说服力，但是数据选取的年份较早， 对于发展迅速的股票市场来说， 可能利用 2000-2010 年 （文章发表前一年） 左右的股市数据效果更好。 文章最后提出了两个优化模型的方法：调整模型系数、调整变量或加入更多的变量，为后来的研究者提供了研究思路和方向。
Nitin Merh, V P Saxena 和 Kamal Raj Pardasani（2011）发表《Next Day StockMarket Forecasting: An Application of ANN and ARIMA》一文，选取印度孟买证券交易所 30 指数作为分析样本。同时选取 2004 年 4 月至 2009 年 2 月的开盘价、收盘价、最高价、最低价对人工神经网络模型（ANN）和自回归差分移动平均模型（ARIMA）进行参数设置与性能比较。根据对模型的训练得出最优的 ARIMA为 ARIMA(1，1，1)与 ANN（4,4,1）进行比较，选取了平均绝对误差（AAE） 、误差均方根（RMSE） 、平均绝对百分误差（MAPE）与均方百分误差（MSPE）四个指标来对比 ANN 与 ARIMA 模型的优劣，最后得出 ARIMA 模型略胜 ANN 模型。文章的预测是基于前 30 天的数据对第二天的开盘价进行预测，代表性不是特别强，并且 ANN 模型已经有很多的改进模型如径向基、前项反馈模型等，但文中只选取了 ANN 最基础的模型，得出的效果可能不是最优的；ARIMA 模型的参数对模型的预测能力有较大的影响，该作者只选用了一组参数来预测， 没有设置对照组，说服力不是特别强。