时间序列挖掘是数据挖掘的一个重要研究方向,而金融时间序列由于它的非平稳性、自相关性、非线性性、低信噪比等特点,成为时间序列挖掘的一个难点,但同时又具有很高的研究价值和市场价值。相对于个股数据,金融指数具有透明性好、抗操纵、只有系统风险等优点,因此成为合适的研究对象。本文首先针对市场的交易制度、周期特征等构造了一个以60分钟为基本交易单元的高频交易策略,然后通过数据预处理、特征提取、k近邻分类从原始60分钟数据中挖掘出一个可交易时间单元集合,以满足前述交易策略。其中数据预处理时充分考虑了周期性；特征提取时着重考虑了成交量的影响,提出了加权量比这一特征概念；并对传统的k近邻分类算法做出了调整和改进,提出了概率k近邻(P-kNN)算法,以适应金融数据的特点。用Matlab对实际数据进行的实验表明,上述改进都取得了良好的效果。