随着股票市场的不断发展,在股票信息数据库中积累了大量历史交易数据,如何充分利用这些历史数据探寻股票价格的运动规律,成为人们关心的问题。近年来,出现了许多以预测股票未来价格或趋势的方法、系统,如传统的技术分析方法、人工神经网络方法、时间序列分析法等。但上述方法对于普通投资者来说都有使用上的难处。例如需要预先设定参数,计算速度慢等。因此,本文对股票历史时间序列数据预处理、预处理数据的粗糙集约简方法及股票预测规则的生成方法进行了探讨与研究。粗糙集理论是分析和处理各种不精确、不完整信息的数学工具,它已成为数据挖掘研究的一个重要分支。但股票信息数据库中的股票时间序列数据并不符合粗糙集分析的要求,所以先要进行预处理,构建粗糙集可以分析的决策表。基于粗糙集理论的知识获取,主要是在保持分类能力不变的前提下,通过知识约简,导出问题的决策规则,包括属性约简和值约简。本文基于该理论,重点研究了属性值约简算法中的标记法,重新定义了属性值的重要性,提出了一种改进的基于属性值重要性的粗糙集值约简算法。该方法克服了标记法不能处理不相容决策表的缺点,得到规则的冗余属性值数量进一步降低。并用实例对该算法进行了验证。在上述研究的基础上,设计了基于粗糙集的股票预测系统,并采用Visual C++ 2005,SQL Server 2000和MFC应用程序框架对所设计的系统进行了具体实现。该系统提供了股票历史交易数据查询功能,并可实现对下一个交易日股票价格走势的预测,为投资者进行股票买卖决策提供参考。使用真实的股票历史交易数据对基于粗糙集的股票预测系统进行测试,取得了较为满意的结果。