随着金融市场的逐步放开,带动着金融创新的进程,投资者通过开发多样的量化投资策略来指导股票投资。在量化投资领域中,择时交易作为其非常重要的研究模块,长期备受投资者青睐。为研究如何在正确的时机进行股票交易这个问题,本文基于函数型数据聚类分析方法构建了择时策略算法,不仅能够准确客观评价交易机会,客服主观情绪偏差来提高投资效率,同时还能够让投资者快速掌握股票未来价格走势规律,对期望获得超额收益的股票投资者有一定的指导意义。本文从技术分析的角度出发,提出了基于函数型数据聚类分析方法的择时策略算法。首先利用基于高斯混合模型(GMM)的函数型数据聚类分析方法来对历史交易数据进行分类,剖析出历史数据中的具有代表性的走势作为该择时算法的交易信号。其次,对各交易信号出现后的第二日涨跌情况进行预测的同时,借助基于K-中心点(PAM)算法的函数型数据聚类分析方法对各类别的第二日股价走势做出预测,根据这两项预测内容来制定合理的交易操作。最后验证了该算法的有效性和泛化性,以期为投资者进行股票投资提供参考。本文主要结论为:(1)基于函数型数据聚类分析方法建立的量化择时策略实证效果理想。研究发现这两种聚类方法在函数型数据分析方面收敛速度较快,建立的择时策略算法平均胜率超过55%,对期望获得超额收益的股票投资者有一定的指导意义;(2)基于高斯混合模型的聚类分析方法在股票价格走势聚类方面效果理想,学习能力较强,其多次聚类结果呈现出“类内属性相仿,类间区别明显”的特点,另外,基于这种聚类方法的涨跌情况预测分析平均胜率达到60.42%;(3)基于PAM算法的聚类分析方法在拟合股票未来走势方面效果理想。该方法在择时算法股价走势预测实证研究中显示出一定的优越性,预测结果能够基本贴合实际走势且各走势重要时点预测基本符合实际情况,平均胜率为56.25%。