k-shape聚类算法在医疗数据领域广泛应用,如心电图分析,与DTW算法不同,该算法采用SBD(Shape Based Distance)距离作为其距离度量方式,从而更接近于形状因素的提取,往往能够发掘序列的局部相似性。对金融时间序列进行走势预测分析已有的方法包括BP神经网络、LSTM等等,而本文主要的研究内容是将k-shape聚类算法应用于股价走势预测当中,通过STL时间序列分解算法提取其长期趋势项以及去噪。笔者认为,同簇的序列可用于比较乃至预测走势的类似性,实证分析中,将簇分类标签作为BP神经网络输入层参数之一可以提升其预测精度,为证明结果的可靠性,本文设置了多组对照实验,包括开发了基于SBD距离的层次聚类算法,将层次聚类结果的簇分类标签也作为参数之一进行神经网络的训练。为使得k-shape算法在高度不确定的金融时间序列中实现更好的性能,本文改进了其簇心提取算法以及归一化步骤,实验结果显示,改进后的k-shape算法能更好的进行股价走势数据的聚类,其各簇簇心也更接近于形状中心。