随着经济社会的不断发展和金融市场的不断活跃,对于金融产品的推荐成为一个不可忽视的问题,而股票作为一种非常重要的金融产品,尤其值得关注。由于我国的股票市场起步较晚,依然存在着很多的不足之处,股民普遍存在一些关于股票推荐和选股方面的问题。具体表现在一是当前股民投资的理论基础不强,缺乏金融投资的基础知识,其投资行为往往只是一个模糊的操作,不具有很强的可解释性,甚至投资者自身也很难说清楚自己的投资逻辑,很大一部分投资者投资的最大的理由往往是“感觉”这么一个说不清道不明的东西。二是现存的一些成熟的股票推荐模型其主要是以股评的方式作为支撑,具有相当笼统和模糊的特征,有一定的局限性。三是往往在构建推荐模型时候,特征之间存在相互关联,导致模型的复杂度较高,存在计算和存储上的困难,如何在保留主要信息和不损失模型精确度的情况下同时降低模型的复杂度是一个值得研究的问题。综上,所以当前急需一个能够精准刻画用户肖像的模型来为广大股民服务。这个模型应当能对股民的投资行为作出合理且清晰的解释,能让股民以直观通俗方式的理解,另外在模型的便捷,方便性上也要存在一定的优势,因为对于一般普通的中小股民来说,复杂的模型过于的艰难晦涩,不方便使用,那么这种推荐方法在可行性上就大大的打了折扣。针对存在的问题,考虑到协同过滤算法在商品的推荐应用中具有巨大的优势和比较成熟的应用模式。受此启发,本文考虑将协同过滤算法融合到金融产品的推荐中,而股票作为一种常见的金融产品,对于协同过滤算法的应用有着得天独厚的优势。将股票当作商品,股票的多种指标当作物品的多种特征,将客户选择股票比作客户选择物品,给客户推荐股票当做给客户推荐物品,股票的指标值拟化为顾客对物品的打分。最后对于应用多指标因子建立模型时导致模型复杂度过高,并且影响模型的计算和存储效率的问题,本文通过主成分分析(Principal Component Analysis,PCA)降维的方法在保留绝大部分信息,不影响模型精度的情况下来对模型进行有效的降维,然后从余弦相似度和平均绝对误差两个方面得出一个最佳的降维维度,使得生成的推荐模型更加的简约,轻量,精准和便捷。实现了一个科学的股票类金融产品推荐模型。这种模型在理论上有一定高度,想法上有一定的创新性,在实际上也具有较强的实践性和可操作性。