客户已经成为证券公司在激烈的市场竞争中获胜的重要源泉,而客户细分策略就是他们赢得客户的最好基础。它可以让企业从一个较高层次来分析整个数据库中的客户信息,同时也使得企业可以用不同的方式来对待不同客户群的客户,这也是客户细分的意义所在。数据挖掘技术的出现为客户细分提供科学的、客观的决策支持。聚类作为数据挖掘中一个非常活跃的研究课题,已有不少在客户细分中的探索和实践的实例。但是证券市场具有混沌、分形等非线性结构特征,所以对证券业的客户细分的研究中结合分形理论——这一非线性理论,将使其更符合特定行业的特点、更科学。本文就是在这样的理念下,将分形理论结合到聚类分析技术中应用于证券企业的客户细分。论文首先详细的介绍了客户细分理论的定义及方式,分析了证券行业进行客户细分的重要性和一般方式。然后在阐述了分形理论的思想、六种常用的分形维数、聚类分析的研究重点后,针对具有分形特征的大数据集,提出了基于网格与分形维数的聚类算法(GFDC)。实验验证结果表明,该算法具有可行性并能取得较好的结果。最后,将本文提出的GFDC算法在证券客户细分中的应用从理论和实例两方面进行分析阐述。实现的过程根据数据挖掘的一般步骤分为指标设计、数据准备、分形聚类分析、结果分析。