针对BP神经网络初始权值随机获取所导致的易陷入局部最优的问题，采用贝叶斯正则化（BayesianRegularization，BR）算法改进传统BP神经网络模型。该算法在保证网络误差最小的前提下，通过历史数据的先验概率调整BP模型的适应度函数，使网络的泛化能力得到提升。在股票时间序列预测的实证性研究中表明，比传统BP模型在预测精度上提高42.81%。