大数据时代背景下,数据所创造价值的不断提升,大数据已经成为金融行业较为重要的战略资产,人们期待数据可以为金融行业带来更好的服务。但如何在众多数据中剔除无用信息,同时从中提取出所需部分并根据客观需求进行数据分析,这也是广大学者十分关注的问题。由于证券数据具有结构复杂、种类繁多、数据冗余等诸多特性,如何更好效率的将数据进行表示和分析成为一个挑战性课题。聚类分析是把对象按照一定的规则进行簇或类的划分,其本质是关注所研究对象之间的相似程度或者相关联程度。聚类结果可以根据类内、类间相似度进行判断,根据数据内在结构不同,现有聚类算法会产生不同聚类效果。在证券投资的过程中,人们更加关注如何更好地综合股市各项基本因素对其进行聚类,提高样本证券相似程度。本课题正是在这种背景下提出的。本文首先详细介绍了元启发式算法和聚类分析方法,全面分析了各自的数学原理及流程步骤等基本概念和定义。其次,针对传统果蝇算法中收敛速度和求解精度的不足,提出基于组合变异的果蝇优化算法,通过引入组合变异策略,更新种群飞行方向,增强种群逃逸能力,使算法继续迭代寻找全局极值,为文中聚类算法的改进提供理论依据。然后,利用改进的基于组合变异的果蝇优化算法对传统的近邻传播算法进行改进,提出了基于CMFOA优化的自适应近邻传播算法,快速、准确地定位最优偏向参数空间,提升算法的全局探索能力,强化算法的局部寻优能力,从而获得最佳聚类结构,提高算法的聚类性能。最后,将本课题的研究成果通过实例进行验证与分析,利用Fm、Sil等多种评价指标对所提出改进算法进行验证。经实验,该算法对聚类性能有了一定的提升,进一步提高了聚类结果的准确率,同时通过股票聚类系统展示聚类结果。