在信息技术迅速发展的背景下,随着上市公司数量的逐年增多以及我国股票市场信息披露制度的逐步完善,我国股票市场中累积了越来越多的数据。如何从这些数据中获得有用的信息,这是广大投资者关心的一个问题。作为股票市场数据分析的常用方法,传统计量经济学在模型的设定和假设条件上存在着局限。因此本文引入了自组织数据挖掘。自组织数据挖掘在进化论自组织原理的基础上,以GMDH算法为核心,实现数据挖掘过程的自组织控制,与其他方法相比具有自组织模式识别和自组织筛选等优点。本文阐述了自组织数据挖掘的基本思想,并介绍了自组织数据挖掘中的两种算法——参数自组织数据挖掘GMDH算法和非参数自组织数据挖掘AC算法。根据股票市场上两类数据的不同特点,我们分别采用了GMDH算法和AC算法对数据进行挖掘,并进行了实证研究。将GMDH算法应用于财务数据的挖掘,预测上市公司的财务危机,实证结果表明基于GMDH的上市公司财务预测模型,预测准确率优于判别分析和Logit回归分析,显示出GMDH在模型识别和模型推广能力上具有它独特的优越性。将AC算法用于预测股价的发展趋势,是从局部的角度来挖掘交易数据中的信息,有别于以往传统计量经济学的全局性模型。实证结果表明,AC算法股价趋势预测有着良好的预测效果。同时通过实证还发现,与固定时间窗口相比,通过形态理论来选择时间窗口的预测效果更好,可以说形态理论的应用,提高了AC算法在股价趋势预测上的准确性,显示出该方法的可行性和实用性。不论是参数型还是非参数型的自组织数据挖掘,本文的实证研究为其在股票市场中的应用提供了切实可行的经验。同时为投资者挖掘股票市场的数据信息,认识股票市场规律、正确进行管理和投资提供了有效的分析技术,对丰富和创新股票市场的预测方法和手段具有重要的现实意义。