近年来,大宗商品交易市场日渐繁荣,牵涉到的商品种类丰富,且具有交易数量大、价格波动大、交易风险大等特点,对交易监管带来了巨大的挑战。尤其是在实际的监管过程中,存在监管时间范围设置模糊、随机选取,以及监管商品范围设置单一、指向不明确等问题,造成了监管资源的浪费以及监管结果的偏差。本文对以上问题进行了监管时间粒度优化和监管商品粒度优化研究,并开发对应的系统进行算法的部署和功能模块的集成。首先,本文研究大宗商品交易市场中的监管时间粒度优化问题。本文针对商品价格建立时间序列模型,利用PAA降维及标准化方法,处理序列并分析走势情况,进而计算出商品最近所在的价格波动近似周期,将其作为推荐监管时间粒度。实验结果表明,本文算法对于价格波动近似周期进行提取时,有效地降低了拟合误差以保留原序列走势,并提升了收缩扩张比。然后,本文研究大宗商品交易市场中的监管商品粒度优化问题。以往的算法研究大多只对商品交易数据进行关联分析,忽略了对商品行情数据的分析,因此得出的关联商品可靠性较低。本文首先通过分析不同商品行情数据和交易数据,得到价格波动关联商品和交易事件关联商品,构建商品关联性表。再根据监管任务要求,从表中选取推荐监管商品,实现监管商品粒度优化。实验结果表明,本文算法能够有效地提高获取关联商品的数量,并提升推荐结果的覆盖成功率和推荐匹配率。最后,本文开发大宗商品交易监管时间和商品粒度的优化系统。在前文算法研究的基础上,设计开发大宗商品交易监管时间和商品粒度优化系统,以验证本文算法的工程应用性。首先设计系统的运行流程以及主要数据结构,并将监管时间粒度优化算法和监管商品粒度优化算法部署到相应的模块。然后对各个模块进行具体实现,包括各模块的数据表、主要页面视图以及系统集成。最后进行系统功能和性能的测试与分析,证明了系统运行的有效性和稳定性,并验证了本文算法具有良好的应用性。