随着股指期货的上市以及融资融券业务的开通,国内金融市场中的量化交易也在逐步发展。然而就目前的国内金融市场而言,可交易品种匮乏,交易机制不健全,参与投资者较欧美落后等导致量化交易的发展并不是一帆风顺,例如去年8月16日的“光大乌龙指”事件。自从量化交易在欧美市场出现,追寻减少市场系统性风险和获取超额收益率机会的统计套利就一直是量化分析研究的重点。但伴随着计算机技术发展,量化分析研究也不再局限于统计套利领域,数据挖掘技术已经被应用于金融市场,取得了不菲的成绩。本文将数理统计方法应用在金融市场考察流动性问题,并且利用潜在语义分析技术,对财经新闻进行处理分析,又结合支持向量机算法建立股指预测模型。具体的研究内容包括：(1)融资融券业务调整对于市场流动性的影响基于500只融资融券标的股在2010年至2013年的流动性变化,运用Wilcoxon秩和检验方法,考察分析两次融资融券标的证券名单调整结果对流动性的影响。对不同的市值大小,收益率波动,是否允许卖空和上市板块分别分析,继而根据得到的结果,利用股市交易数据实证做OLS回归,找到了诸多因素中对我国股市流动性有显著影响的决定性因素：是否允许融资融券,收益率波动,市场交易总金额,是否属于A股,以及2013年的流动性比2011年显著恶劣。实证结果表明能否提升股市流动性并不仅仅取决于融资融券标的证券名单范围扩大与否,能被市场投资者所接受认可的配套政策也很重要。(2)基于数据挖掘技术利用财经新闻对股市预测深度挖掘了财经新闻主题内容分布与股市市场的相关性,并通过分析当日新闻主题分布以对中国股市涨跌进行预测。具体来说,我们使用概率主题模型与数据挖掘技术,通过对财经新闻文档进行聚类得到其中的主题分布,再结合实际股票市场的交易数据分析其与市场之间的关联程度,最后引入支持向量机算法对股市走势进行预测。实验表明：新闻中国际贸易以及城市化相关主题与股市变动关系密切,且通过本文提出的算法能较准确得预测当日股市涨跌,而建立在其上的股指期货策略也取得了很好的效果。