随着数据库学科的迅猛发展，数据仓库技术已日趋成熟，它也被广泛地应用到各行各业中，特别对于证券行业的股票市场，它包含了海量的股票交易历史数据，更需要运用数据仓库技术对数据进行有效的管理。　　毋庸置疑，数据仓库除了有效地管理和维护数据以外，还需要支持即席的、复杂的查询，而这些查询需要访问大量的记录，进行复杂的多表连接与聚集操作，在最坏情况下，用户在忍受查询响应时间过长的同时，还要容忍查询有效性的低下，这在决策支持应用中是不能接受的，因此，如何提高海量数据上的查询效率已成为一个热点问题，对数据仓库查询技术方面的研究也就具有重大的意义。　　本文深入研究了数据仓库查询技术，并提出了一种适用于股票数据分析的查询方法，即通过增加一个查询预处理层来提高查询效率。该查询预处理层主要用来对股票交易数据属性进行排序，使其与基于星型模型的多表连接算法M-Join和聚集算法MuSA相结合，以此提高查询的有效性。在股票交易数据属性排序算法中，我们使用模糊聚类算法CA算法对数值型数据进行离散化，得到若干个优化的类，然后用关联规则挖掘出有意义的规则，最后根据其置信度对属性进行排序。实验结果表明，该方法在股票数据分析中有较好的效果，它不仅能够提高查询的有效性，而且提高了预测的准确度，为后续人员的分析带来了方便，具有较好的应用前景。