在金融市场中,高频数据包含了以分钟或秒为采集频率的数据,以及在交易过程中实时采集的数据。对金融高频数据进行挖掘研究,能够更多且更准确地捕捉到证券市场发生的每一个细小的变化,因而利用高频数据研究股票价格比低频数据更具优势。从股票高频交易数据中找出不同股票之间的关联规则,有利于证券投资者了解股票的走势以及股票之间的关联关系,对于做出正确的投资决策起到积极作用。本文主要通过改进后的关联规则增量更新算法研究金融高频数据问题。首先介绍了股票的相关知识,金融高频数据的相关特点和发展现状。其次,介绍了关联规则的定义和相关属性,并对典型的Apriori算法进行了分析;利用Apriori算法通过大量实际的高频股票交易数据进行了实时的增量挖掘,从而得出了一些不同股票价格之间的关联规则。然后,针对原始的股票高频数据量很大,新增加的高频数据量很小,而经典的Apriori算法需要频繁扫描整个数据库的特点,本文对典型的Apriori算法进行了改进;通过在Apriori算法的候选频繁项集基础上新增加了次选频繁项集和备选频繁项集,将改进的增量更新算法同样应用于先前的高频数据进行挖掘,因为大大减少了扫描原始数据库的次数,所以运算速度大幅提高;同时,由于新增了次选频繁项集和备选频繁项集,使得产生频繁项集的候选项集规模扩大,发现频繁项集的精确度也有所提高。本文采用的是上证和深证的8只医药股的五分钟数据,并利用典型的Apriori算法和更新后的增量算法分别进行挖掘,实验结果表明,更新的增量算法在运算时间和提取关联规则的准确度方面明显优于典型的Apriori算法的增量挖掘,对于投资者做出正确的投资决策具有一定指导意义。