最先把神经网络用于股票预测的是White.1988年他用神经网络预测IBM普通股每日报酬率，但是这次预测结果不够理想，可能的原因是网络在对样本的学习训练后陷入了局部极小而无法跳出，使得网络预测能力受到影响。Kimoto（1990）等人用神经网络方法对东京证券交易所股价平均指数进行预测，开发了TPOIX预测系统，以此决定最好在什么时候是进行卖出买进的操作，实验显示TPOIX加权平均指数的报酬率不如采用神经网络方法的报酬率好。Kozaki和Baba（1992）预测日本股价变动趋势，网络学习时把训练样本分成上涨和下跌趋势，结果网络预测股份涨跌方向受到趋势决定的严重影响，只有在趋势决定正确时，网络预测股份涨跌才很准确。CenCay（1996）建立了前向人工神经网络模型，以道琼斯工业平均指数的移动平均价为模型输入变量，分阶段对1967年到1988年长达22年的指数进行实证检验。用神经网络判断股票卖出买进时机，为了避免因股价波动而误判卖出买进信号，在长，短期移动平均线接近时，设定了买卖区间。结果显示线性模式的神经网络预测能力不如非线性的。Rodriguez （2002）等人构造了基于移动平均规则的前向人工神经网络模型，对西班牙马德里股市进行研究，表明神经网络在股票预测中对投资者有一定的辅助决策作用。该研究的实证结果表明，在同样的时间内，按照该模型预测结果操作的股票的收益要远远高于买入后持有所获得的收益。
1.2.2  国内研究现状
我国的神经网络研究起步于1988年，并在基础理论研究和实际应用领域开展了工作。1989年在北京召开了神经网络及其应用讨论会。1990年12月、1991年12月分别召开了中国第一、二届神经网络学术大会。至此之后，人工神经网络理论在国内不断发展，并取得一系列成就。
廖晓昕（1994）对细胞神经网络建立了新的数学理论与基础，得出了一系列结果，如平衡态的全局稳定性、区域稳定性、周期解的存在性和吸引性等，使该领域取得了新的进展。张健（1997）等人基于上海石化，长春华联，复华实业，陆家嘴4只股票，运用BP网络网进行多角度的分析，提出并验证了对网络的输入数据进行处理，他们利用股票涨跌之间的差价进行处理，近期差价放大、远期差价模糊，以区分它们对网络的影响。同年，徐笛等应用指数平滑，自回归，神经网络进行比较，平均相对误差、相对误差的标准差等指标神经网络的结果均最优。梁夏（1999）基于改进的快速BP算法，根据申达实业与上海金陵的成交量，成交金额和收盘价，发现较标准BP模型，增加了网络自纠错功能，较大的提高了网络的预测性能。王培勋（2000）应用最小二乘法分段拟合了成交量关于价格的非线性回归方程，并利用此方程预测股市行情，但预测的效果并不理想。
张代远（2006）在《神经网络新理论与方法》中提出了代数算法和样条件权函数神经网络算法。经过严密的数学论证，代数算法和样条件权函数神经网络算法能有效加快神经网络的收敛速度，同时对于传统算法易陷入局部极小的问题也有所帮助，样条件权函数神经网络算法具有良好的推广能力。潘林（2006）对国内外有关股价预测和小波理论的应用情况进行整理，根据对股价运行规律和股价的各个影响因素的分析，提出了运用小波神经网络进行股价预测的模型。该神经网络模型的神经元由尺度函数和小波函数构成，通过对上证指数和雅戈尔股票收盘价进行预测，实验结果表明小波神经网络能有效地提高预测精度。
余健，郭平（2007）以中集集团的实际收盘价作为预测对象，提出基于RBF网络的个股价格预测模型，仿真实验表明，该模型对于个股价格的短期预测是可行有效的，但由于股票市场是一个复杂的非线性系统，股票价格受多种因素影响，该文只考虑股票价格构成的时间序列，因而存在着一定的误差，如何将相关影响因素（如大盘指数、股票成交额等）一起考虑还需进一步的探讨。胡静（2007）采用了普通的BP算法、遗传算法和粒子群算法对股票市场进行预测并进行对比分析，发现各种算法均预测有效，差异不大，但由于神经网络模型自身的模糊性，以其一次的实证结果来说明各算法在股价预测中的作用缺乏说服力，且未检验优化模型的实证效果。高琴（2007）对普通的BP神经网络模型通过对参数的自适应调整和给连接权重加随机数的方法进行改进，实证结果表明该方法具有良好的预测效果和实用性，对于摆脱局部极小起到了显著效果。 人工神经网络文献综述和参考文献(2):http://www.751com.cn/wenxian/lunwen_9076.html