20世纪80年代末,数据挖掘作为新兴的研究领域悄然出现。数据挖掘的研究目的是在大型数据集中发现那些隐藏的、人们感兴趣的具有特定规律的信息。随着数据挖掘的发展,这种技术被应用在商业管理、政府办公、科学研究和工程开发等众多的领域中。本文主要关注数据挖掘的一项重要技术——关联规则在股票分析中的应用。首先,本文对数据挖掘和股票做了总体介绍,包括数据挖掘的概念、功能、步骤、股票的背景、基本知识、分析股票的方法和相关软件以及二者的国内外的研究现状;然后,详细介绍了本文的重点,关联规则中经典算法Apriori算法,通过分析Apriori算法存在的两个缺陷(即多次扫描数据库和生成大量的候选集),引入Aproiri_TIDS算法来提高挖掘效率,并针对股票信息的特殊性,阐述了Aproiri_TIDS算法在股票数据挖掘中存在的问题:Aproiri_TIDS算法在数据的预处理和挖掘过程中会导致有效数据的流失,不能结合股票的重要性进行有效的分析等;接着,介绍了本文的核心部分,即从数据信息的新旧、股票的重要性、用户的兴趣三个方面提出了基于权重参数的Aproiri_TIDS优化算法;最后,在对股票代码、交易时间、涨跌幅属性进行数据预处理后,根据Aproiri_TIDS优化算法对股票进行实验验证,实验结果证明改进后的算法所挖掘出的关联规则更加有效。引入权重参数后的算法,在效率上低于原Aproiri_TIDS算法,但是结合用户对挖掘信息的及时性没有很高的要求,改进后的算法完全能满足用户的要求,最重要的是它为用户提供更为全面的、有价值的、用户关注的规则,辅助客户进行决策。