随着改革开放的逐步深化,金融市场的飞速发展,一些相关体制逐步得到完善,期货市场面临着良好的发展机遇,越来越多的企业、个人和机构投资者都加入到期货市场中来。如今,中国期货市场与世界期货市场的联系越来越密切,经济全球化对各国期货市场的竞争产生了巨大的影响。因而,建立期货市场来规避现货市场风险,加强对我国期货市场的理论研究十分必要,利用数据挖掘对期货交易数据进行价值信息的发掘亦成为其中最主要的问题。本文从划分消费客户的类别和预测产品价格两个方面进行了期货数据挖掘算法的研究。在重点掌握分类、预测、大数据、前端技术以及数据预处理的基础上,对比得出串并行下的FCM聚类和BP预测算法,实现了算法在Spark计算框架下的分布式运算,同时将改进算法应用于期货管理平台。首先,结合K-means与模糊聚类FCM等分类算法对期货交易客户进行特征分类,以标签形式描述客户画像。在BP神经网络的基础上应用遗传算法对算法进行改进,并将两种算法对多种产品价格的预测结果进行比较;然后,将验证可行的客户聚类和产品预测算法与大数据技术结合,对算法进行优化设计,以满足大数据环境下的应用效果,在搭建的Spark平台中对两种算法进行并行化运算,提升了算法在大数据下的运算性能和数据处理能力;最后,结合客户需求,从客户、产品、预警角度设计了期货平台及数据可视化页面,为企业管理者提供数据支持,实时了解客户和产品动态信息,从而规避客户流失风险,制定精准的客户营销方案。在本文中对期货数据挖掘算法进行串并行化设计并实际应用于企业的智能平台,验证了算法的合理性、可行性,对后续开展大数据下的期货算法研究工作提供了理论基础和参考依据。