金融数据是金融市场运行的核心,人们若需要掌握金融市场的发展趋势,就应在海量的金融数据中分析出其中的主要特点,实时掌握金融数据的走向趋势。信息化的高速发展使得金融后台本就庞大复杂的数据再次扩充,于是传统的金融分析方式显得捉襟见肘。因此,设计并实现了一款基于时间序列数据挖掘的金融数据分析系统,以提高金融数据的服务质量,还能提高金融数据的管理效率,为金融数据管理人员提供更加便捷的服务。该金融数据分析系统在设计时,将该系统分为了数据采集与更新功能、金融咨询信息管理功能、金融风险控制管理功能、智能挖掘与分析功能、金融数据监控功能、股票关联比较功能六大模块。其中,在智能挖掘时建立了基于时间序列的数据挖掘风控模型。该模型的创新之处在于根据三种不同的等级对金融数据指标进行筛选,其中一级指标包含涨幅、市净率,二级指标包含当日股价等数据、市盈率、净利率、流入流出等,三级指标包含资产、毛利率、净利润。采用了基于时间序列的方法对这些指标进行挖掘,通过对数据运行过程中的平滑指数以及数据之间的差异指数进行计算,得到数据前期的预测值。为避免可能出现的局部影响,将误差值导入计算公式中,获取到指定的预测数值,通过移动平均过程,将线性时间序列方式的数据进行预测,从而得到与实际运行数值相似的预测值。由于ARMA模型中大部分数据具有周期性的明显特征,对于金融数据不规则的数据,采用了BP神经网络对该预测值进一步拟合。按照误差逆向传播算法训练的多层前馈神经网络,对输入数据进行反向归一化输出,然后不断的修正内部权值,根据sigmoid函数输出最终预测值。对系统进行测试后,测试结果显示,系统相关功能及性能测试结果符合预期要求。基于时间序列的数据挖掘风控模型根据不同等级的指标进行了测试,结果显示,该模型的预测值在不同等级情况下均高达90%以上,能够对金融数据进行挖掘。该系统在广泛应用时,还能进一步为用户提供有效方案,如可引用云计算进行金融数据的储存,减轻系统运行的负荷。