我国的股票市场发展迅猛,已经成为市场经济的重要组成部分,股票投资俨然已经人们进行投资理财的主要方式之一。对于股民来说,他们最关心的问题就是如何选择投资股票的种类以及如何确定何时进行投资获取的收益最大。随着信息化时代的发展,股票市场每天都会生成海量的实时数据,传统的股票分析方法已经无法满足要求。于是,数据挖掘出现,为股票分析提供了有效途径。本文的结构主要分成三个部分:首先,介绍了数据挖掘技术和股票分析基本内容,并总结了国内外将数据挖掘应用于股票分析的现状;其次,介绍了本文进行实证分析时需要的数据挖掘技术算法,主要有:关联规则算法、决策树算法、神经网络算法;最后是利用上述算法对股票数据进行了实证分析,这也是本文研究的重点。实证分析的主要内容如下:本文选取了2016年全部A股股票市场的2301支有效股票进行分析,首先利用了关联规则分析从影响股票的24个财务指标中挖掘出了17个与股票上涨关联程度高的财务指标;其次,根据选取的关键指标对2301股票利用决策树算法进行分类,得到最具有投资价值的231股票,为投资者选择何种股票提供参考;最后,利用神经网络对股票股价进行走势预测。本文随机几只优质股票进行实验,利用BP神经网络、RBP神经网络和RBP-BP组合神经网络这三种方法进行预测,试验结果表明RBP神经网络的预测效果最差,RBP-BP组合神经网络的预测效果最好,可以为投资者选择最佳投资时点提供参考依据。通过实验证明,利用数据挖掘技术对股票市场进行分析研究,可以在一定的程度上解决传统数据分析方法存在的缺点,为投资者的投资理财提供一定参考价值。