中国的证券市场经过了十几年的迅猛发展,吸引了越来越多的投资者将资金投入到了证券市场当中,想要从中获得巨大的回报。同时在近几年,数据挖掘技术也取得了巨大的进步,它具有在海量数据中发掘潜在的信息的能力,被广泛的进行运用,尤其运用在证券领域中。沪深300指数从2005年成立以来,就成为了一个能够表现出上海和深圳股指的良好的指数。选择标准是规模大,流动性好的股票,覆盖了沪深两市达到60%以上的市值,又是即将推出的股指期货的标的物。而对股指收益率的预测可以从两个角度入手:从收益率的来源看,影响股票的收益率的来源可以从外部环境、监管部门、上市公司的基本面、投资者的行为、技术分析、相关投资品价格等角度进行分析。从波动的时间序列特性上来看,股票收益率的时间序列除了具有非线性,非平稳性的一般时间序列所具有的特性之外,还具有尖峰厚尾、高噪音、波动聚集性等特征。因此对股票的收益率的时间序列的预测更具有难度和挑战性,并具有很广泛的应用价值和广阔的市场前景。针对上面的两个角度,本文尝试着利用数据挖掘方法进行了分析预测。首先从上述的六个波动来源找到一些具有代表性的指标,利用数据挖掘中的Logistic,决策树和神经网络方法对股指的未来的走势进行了分析和预测。并找到了波动率来源的一些特点,并发现神经元网络在预测的效果良好。随后利用BP神经网络中的自适应、自学习、非线性的优化与GARCH模型中的刻画时间序列中自相关性、波动聚集性、尖峰厚尾性的特性相结合。建立了BP—AR—GARCH模型,在预测中取得了良好的效果。