证券系统变量之间的相互关系十分复杂,用通常情况下的方法来处理的效果都不是十分理想。利用自组织数据挖掘算法——数据分组处理(GMDH算法)可以挖掘出数据变量之间的相互关系,而且这种关系可以用显式函数表示出来,相比其它方法要理想。文章最后利用GMDH算法对上证指数200天的历史数据进行分析处理,对收盘价进行预测,预测的效果比一般的ARIMA模型要理想。传统的时间序列分析方法是在建立一定的假设之下,处理非平稳序列时往往会遇到一些困难,如傅立叶分析方法在处理非平稳时间序列时难以在时域和频域同时达到很高的精度,而传统的时间序列模型法对一些非平稳时间序列建模时可能会产生严重的失真。1998年由美籍华人N.E.Huang提出的希尔伯特-黄变换方法是一种数据分析方法,该方法由经验模态分解(empirical mode decomposition)和HSA(Hilbert spectrum analysis)两部分组成。该方法在处理非平稳数据时有其独特的优势,能够不受Heisenberg测不准原理制约。因此希尔伯特-黄变换方法能够弥补传统方法在处理具有极强非线性、非平稳特性的金融时间序列分析上的不足。