随着社会的进步、科技水平的提高,现实生活中产生的数据也在发生着重要的变化。这一变化主要体现在数据量上,如今的产生的数据量越来越庞大,这样的变化使得我们能对数据背后的变化规律有更清晰的了解,但由于数据量的增多,使得数据挖掘工作更加困难。而实际生活中的生成的数据往往都是带有时间属性的,因此近些年数据挖掘工作也已经从对静态数据慢慢地转变为对时间序列数据进行分析挖掘。例如在金融行业,便产生利用数据挖掘技术对金融行业进行量化分析,它主要是利用数学、现代统计学的方法,从金融市场海量的历史数据中挖掘出有用的信息,并希望通过这些信息,能获得更好的投资回报。本文选用美的集团从2013年九月到2018年四月的股票数据。并利用传统的时间序列分析方法对该数据进行简单的分析,得出该股票数据中的收盘价序列是个非平稳时间序列,于是利用ARIMA模型来分析该不平稳时间序列数据,并进一步得到该时间序列是个随机游走的过程,从而得出股票收盘价在股票前一天的收盘价基础上是随机波动的。于是选择多元线性回归模型对股票收盘价进行建模,说明第二天股票收盘价与第一天的股票收盘价、开盘价、最高价、最低价的关系。并得出了影响股票第二天收盘价的程度由高到低依次是前一天的收盘价、最高价、最低价。最后利用机器学习算法LS-SVM对股票的收盘价作预测,并选择了分段预测的方法提高模型的效果,从而得出最佳模型,将得到的模型与之前多元线性回归模型进行对比,得出在多远线性回归模型中对测试集上的均方损失为0.6053,而在基于LS-SVM建立的模型,其均方损失为0.4982。由此说明基于LS-SVM建立的预测模型比多元线性回归模型略好。