中国证券市场近年来蓬勃发展,成立了越来越多的证券公司,个人参与证券投资的热情度也日益高涨,投资市场对个人投资的限制逐渐放开,最典型的政策就是个人不限在一家证券公司开立账户与交易。在此背景下,证券公司如何在市场化竞争中抢占先机,吸引更多的客户成为了各大证券公司的研究课题。如果客户登录证券公司平台,平台能够根据客户的偏好实时推荐其感兴趣的股票,使客户不会错过合适的投资机会,自然会有越来越多的客户在此平台开户并交易。目前,证券公司获取客户风险偏好的渠道基本都是通过客户主观填写的风险测评,但是大部分客户并未认真评估风险测评内容,导致风险测评结果与其实际风险偏好有一定差异。另一方面,截止2020年6月1日为止,证券市场上有3889支股票,客户关注的往往是不同类型的股票中的龙头企业,不会关注每一只股票。结合证券公司实际的营销需求、客户风险测评准确性不高、股票数量繁多等三大因素,本文提出了基于客户的真实交易行为对客户分类、基于股票的特征属性对股票分类、基于客户的真实交易行为分析客户集群与股票集群的关联性,从而能够将研究结果推广到实际的股票推荐场景中,增加证券平台的用户量,提高用户黏性。在基于客户实际交易行为对客户分类的研究中,本文研究了相关的研究算法,最后结合原始数据以及实用场景,最终使用了BIRCH.K-mediods模型,提出使用年度换手率、年度持仓率、年度止盈率、年度止损率、年度持股时长、年度资金流动率、年度委托交易成功率、年度委托失败偏差率这8个指标对客户分类。由于样本集数据量较大,因此,BIRCH.K-mediods模型分为两阶段聚类,第一阶段利用BIRCH模型对数据进行去除稀疏值的压缩,以对数据进行微聚类,第二阶段,对第一阶段的聚类结果使用K-mediods模型再次聚类,得到宏聚类结果,使用K-mediods模型可以避免选择的聚类中心与实际的样本数据有偏差。基于此模型,根据1220个客户一年内的交易流水数据将其分为8大类集群,实验结果验证了此模型聚类效果尚可。在股票分类研究中,本文结合原始数据以及各类研究算法,提取了每个股票四大方面,27个特征数据,四大方面为:证券基本情况、财务指标、日线情况、外部因素,27个特征包括市场代码、利润总额、涨跌幅、所属板块涨幅等,选取股票每日涨跌幅作为时序数据。由于股票的特征维度较大,为了提取出真正有用的维度,本文提出基于Auto-encoder.K-means++模型对股票分类,第一阶段的目的在于降维,选择Auto-encoder模型,第二阶段基于降维后的数据选取K-means++模型分类,降维可以避免分类结果不佳是由于初始聚类中心选择不恰当造成。基于此模型,对3889个股票243个交易日的数据训练并将3889个股票分为20类,实验结果表明,股票分类结果基本上达到了高内聚、低耦合的效果。最后,本文对客户分类与股票分类的关联性进行了研究,相关研究中,这两个分类关联性研究不多,但是有很多值得借鉴的推荐算法,基于相关研究,本文基于客户交易行为数据提出了一个评分卡模型,在此模型中设置了两个变量,一个为客户群内购买股票群股票的占比,其权重基于TF-IDF算法设计了一个计算公式求得,此权重的核心思想为一个客户群购买某一股票集群股票比例较高而整个客户群购买这一股票集群股票比例较低,则权重越大;另一个变量基于K-邻近值算法设计求得,其中心思想是先计算客户群内每一个客户距离集群中心客户的距离,再计算该客户购买某一股票群股票交易行为占其全部交易行为的占比,两者相乘后加总,求得总值后除以客户群客户总数,即可得到客户群购买某一股票群股票的平均交易行为占比,此变量的权重与第一个权重互补为1。根据此评分卡模型,可得到每一个客户群与每一个股票群的关联性分数。基于此关联性分数,设计了一个推荐方案,给客户推荐其所在客户集群关联性分数排名前三的股票集群中10只股票,将推荐结果与客户实际的交易行为作对比分析,覆盖率较高。