根据有效市场理论，股市是不可预测的，但是行为金融的研究表明，股票收益具有一定的可预测性。在严格的“经济人”假设上，传统的金融学理论用明确的数学表达式描述了股价与其影响因素之间的关系。但投资者并非是完全理性的，“经济人”假设不符合现实，所以采用传统金融学理论来预测股价，效果自然不会太理想。股票市场是一个高度复杂的非线性动力学系统，经济运行的好坏、市场的波动、政策的变动甚至是某个关键人物的谈话都有可能对股票市场产生较大影响，因而采用传统的统计学时间序列模型来预测股价自然也不会取得令人满意的效果。针对以上情况，本文从预测基础和预测模型两方面对预测方法进行改进，期望能探索出一种效果更佳的股市量化分析方法。在预测基础方面，本文以市场的非有效性为前提，采用没有太多脱离现实假设的前景理论为预测基础。在前景理论的分析框架下，本文从投资者的心理偏差出发，分析了投资者的风险决策过程，并指出：买入成本和历史股价是投资者投资决策的重要参考点，成本分布和股价的时间序列对后市有着重要影响。基于此，本文对投资者的买入成本分布进行了分析，构造出股票成本分布和历史股价的输入指标体系。在预测模型方面，本文采用的是能逼近任意函数的BP神经网络模型，该模型模拟的是人类的思维过程，与前景理论相吻合，适合解决高度非线性问题。为了检验预测效果，本文在实验过程中设置了两组对照组，对照组1的输入变量采用前人相关研究中所常用的技术分析指标，对照组2采用的是统计学当中的指数平滑模型。实验结果表明，在对上证指数未来20日的收盘价进行预测时，基于前景理论分析指标的BP神经网络具有良好的预测效果，无论是在拟合效果还是在预测精度上，基于前景理论输入指标的BP神经网络预测均要优于基于技术分析指标的BP神经网络预测，而且前者“失灵”的现象要少于后者，这说明以前景理论作为预测基础比较合理。而基于BP神经网络模型的预测在预测精度和模型的稳定性上都要优于指数平滑法的预测，这说明BP神经网络模型在股市预测方面比统计学的传统时间序列模型优越。