随着计算机科学、人工智能和数理统计的有机融合,数据挖掘技术得到了突飞猛进的发展,这就极大地促进了金融时序数据挖掘技术的发展。数据挖掘是从大规模的数据中抽取非平凡的、隐含的、未知的、有潜在使用价值的信息的过程。时间序列分析作为数理统计学的一个分支,自20世纪60年代起就已经得到了广泛的研究。但是,随着分析任务的日益复杂,这些传统的方法无法用于发现数据中更复杂、更隐蔽的各种规律。基于上述原因,本文将数据挖掘和金融时间序列结合在一起进行研究。论文重点集中在以下几个方面进行了研究:(1)金融时序数据的预处理技术,其中包括原始数据标准化,空缺数据处理,噪声剔除,数据集成,并重点介绍了小波理论在时序数据降噪中的应用。(2)金融时间序列的计量经济学ARMA模型和ARCH模型,以及相关的衍生扩展模型,并且介绍了ARMA模型和ARCH模型参数的确定和检验方法。最后在此基础上以上证指数为例子,进行了ARMA—ARCH模型的建模分析,实验结果表明ARMA—ARCH模型具有很好的短期预测效果。(3)本文最后具体挖掘和分析一下我国金融市场最近几年的日历效应。实验结果发现2001年以后我国证券市场日历效应(月份效应,星期效应,假日效应)表现非常明显,但具体表现异于国内外学者早期的研究结果。最后,总结本文的工作和不足之处,指出以后的研究发展方向。