随着信息化技术在人类生活中的普及,生物信息学、互联网技术和计算机科学等领域的崛起,数据量呈现爆炸型增长的趋势。同时,数据挖掘、机器学习等计算机技术的发展,使得越来越多的迭代分析算法运用到实际的应用场景中去,例如智能化推荐系统、高性能计算、社会网络分析等。然而在大数据环境下,迭代算法也出现诸多的不适用性。我们注意大数据迭代分析算法期望作用在全集数据而非局部数据之上,而“全集”又是相对的,即迭代分析算法既会在作用于局部数据又会作用于全集数据,而当局部数据进行汇总后,局部数据的迭代结果将不再适用,需要在汇总后的全集数据上进行重新迭代计算。因此利用已有的局部数据的迭代结果计算得到全集数据上的迭代结果,避免不必要的重复计算所带来的资源消耗,能很大程度上提高迭代分析计算的性能和效率。在本研究中,我们提出了基于Spark的归并迭代计算模型,归并迭代计算模型在不损失迭代结果精度的情况下利用现有的迭代数据分布情况对迭代数据进行区内迭代,并合并区内迭代结果以得到最终迭代结果。归并迭代计算模型分为区内迭代步,误差弥补步以及合并迭代步,其中区内迭代步在归并迭代计算开始前已经完成。本文通过数学公式与理论分析证明了归并迭代计算模型的正确性和性能优势。在实现部分,本研究基于现有Spark计算框架的相关实现进行改进并实现归并迭代计算模型。最终,通过一系列的金融分析用例进行实验测试,证明了归并迭代计算在功能和性能上达到了加快金融分析算法效率的目的。因此,归并迭代计算模型在金融分析领域具有一定的指导意义。