随着中国金融市场不断走向成熟,投资者面临前所未有的发展机遇。同时市场中的风险也在加剧,风险控制逐渐成为了一项极其严峻的现实问题。面对海量的、不断增长的金融数据,如何快速准确地识别股票中的风险,尽早地发现和识别股票行情中的异常状况有助于提前规避风险,减少经济损失,是股票投资中的一个充满挑战性的问题。行为金融学相关研究指出,中国A股市场中个人投资者占比较高,多元化的投资理念增加了股价的波动性,非理性泡沫导致资产错误定价频繁出现,严重时引发股价崩盘。因此,从行为金融学的结论出发,结合先进的数据挖掘模型,是本文解决上述问题的思路。在泡沫的识别过程中,主要有两个方面的问题亟待解决。一方面,考虑现有研究发现多种指标和泡沫有关,如何利用这些指标较为准确地反映出股票泡沫的程度,选择合适的泡沫指标;另一方面,由于需要在线检测方法及时做出反应,这就可能面临股票数据的概念漂移问题,影响检测的准确性和投资策略的可靠性。本文的处理方法是,对于单一泡沫指标的局限性,使用Attention机制从换手率、乖离率和百度资讯指数等指标中学习出泡沫指标Attention Abnormal Turnover Ratio（AATR）作为股票泡沫程度的度量;为了应对数据分布不确定的情况,使用基于LSTM的非参数阈值方法进行异常检测,以及通过动态滑动窗口,自动地选取滑动窗口的长度。为解决股票出现序列异常的特殊情况,算法还通过序列学习增强其检测性能。由于本文算法的参数是根据股票数据自适应的,在设置模型参数时,除确定窗口大小等个别情况下需要考虑参数调整之外,本文描述的检测方法不需要其他参数调整。本文提出的股票泡沫检测算法,使用了多种反映股票泡沫的变量,训练出更为准确的泡沫指标,能够及时的反映当前股票存在的风险程度,并且可以自适应地通过非参数动态阈值对泡沫指标进行异常检测,降低股票数据概念漂移对准确率的影响,实现了中国A股泡沫的在线检测。有效检测泡沫有利于及时实施股票风险控制,从而降低其破裂造成的损害,防止泡沫无限膨胀。从泡沫和异常的角度看待资产的动态变化,为股价趋势预测及资产风险控制提供了一种新颖的思路。