时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。分析时间序列的方法构成数据分析的一个重要领域。时间序列蕴含了大量潜在的信息,知识和事物规律。众多学者不断尝试用各种方法来研究时间序列,尝试获取这些隐藏的价值来进一步了解事物的形成和发展。由于证券时间序列的奇异点常常能够影响时间序列的趋势,同时证券市场的奇异点也往往预示着社会公共信息对证券市场的影响。因此如何有效地检测奇异点的研究就成为近年来的热门研究问题。本文在基于聚类的奇异点检测思想下,与K均值聚类算法相结合,提出了一种改进的K均值聚类算法。该算法主要的特点就是利用基于聚类的奇异点检测的思想作为K均值聚类算法初始质心的选择依据,算法利用K-MEANS聚类算法本身固有的劣势即容易陷入局部极值导致算法在取聚类数目为k时不能找到所有奇异点,所以本算法采用不断改变聚类数目,比如令k=n·K,然后令k依据某一步长不断减小至K的过程中多次循环求奇异点,保证算法不会陷入某个局部极值。同时算法引入信息熵的概念,作为算法终止的条件。并利用该算法对股票市场股票收盘价和股票成交量进行奇异点的检测,并对奇异点和信息因素进行实证的研究分析,得出股票成交量对股票收盘价的变动具有解释作用,同时得出信息因素是产生奇异点的起因的结论。这对投资者预测股票走势和股票投资来说具有很重要的参考价值。