股票权证(以股票为标的物的权证)作为金融衍生物的一种，传统的分析预测方式是基于数量经济学上的布莱克-斯科尔斯(Black-Scholes)(1973)期权定价公式构造预测模型.但该定价公式不符合我国资本市场的实际情况：我国的证券市场没有卖空机制，该公式的前提假设条件不能满足，故强制性的将Black-Scholes期权定价公式应用于我国的权证预测，效果往往差强人意.本文应用数据挖掘的方法，在对股票权证的真实历史交易信息进行聚类处理的基础上，应用相关的分类学习算法，最终建立权证波动趋势(升，跌)的预测模型.用真实的股票权证交易历史数据对该模型进行检测，预测效果令人满意. 本文的主要工作主要包括两个部分：首先是针对原权证交易历史数据各列属性为连续值的情况，本文利用聚类算法SOM(自组织映射算法)，对各属性列分别聚类，很好将连续值转换为状态值，而且这样的聚类处理减少了连续值离散化过程中的信息损失. 权证波动趋势(升，跌)的预测作为一个分类问题，本文选用了Na(i)veBayesianModel+AdaBoostAlgorithm方法构造分类器.其中Na(i)veBayesianModel(朴素贝叶斯模型)作为弱分类器，应用AdaBoost算法来训练加强，以构造强分类器.最终构造的强分类器对股票权证的波动趋势(升，跌)预测效果令人满意.