传统固定学习率的 RBF 神经网络在金融时间序列预测方面已经有比较成功的应用，但网络学习率的选择问题却给传统 RBF 神经网络的使用带来了不便．利用梯度下降法及优化方法推导出了 RBF 神经网络的动态最优学习率并将其应用于网络学习算法，具有最优学习率的RBF 神经网络能够在保证网络稳定学习的同时兼顾网络的收敛速度． 为了检验具有动态最优学习率的 RBF 神经网络的预测效果，对沪深 300 指数波动率进行了预测实验． 实验结果表明，具有动态最优学习率的 RBF 神经网络比传统的固定学习率的 RBF 神经网络