本文提出了基于低秩矩阵分解原理的异常检测算法,将其应用于金融领域股票市场中的大量数据,并尝试从中挖掘股票数据展示出的异常表现所带来的潜在信息,这样可以为后续相关政策的制定、股民的投资行为等提出可行的建议。本文从理论和现实两方面提出此研究问题,对异常数据挖掘的研究现状进行了梳理,并分析股票市场中异常数据的表现及其出现的原因。首先采用仿真实验验证了参数选择的正确性,根据低秩矩阵分解的原理采用异常检测自适应算法对股票数据进行应用,以“上证50”股票为数据选取进行模型检测,并以贵州茅台和民生银行为例深入探索股票数据的内在信息,捕捉到了其中的隐含异常,实验结果证明异常信息可与重大新闻事件的发生相互对应,对研究股票市场稳定发展具有新的实际意义。即本文所提出的异常检测算法能够有效地发现股票市场中的异常波动。总之,异常数据挖掘的理论研究及其在股票市场的有效应用还需深入研究,若要进一步提高股票数据异常检测结果的效率和精度,需要进一步的探索。