伴随着大数据时代的到来以及对股票市场的不断发展,股票市场所呈现的复杂性远超过人们的预期。通过使用复杂网络的分析方法来研究股票市场之间的关联性和结构特性,能够从整体上深入了解股市的复杂关系及内部联系。随着研究的深入,人们发现股票市场中股票之间的关联性及影响强度具有方向性但不是对称的,因此如何构建一个合理符实际情况的股票网络是深入了解股市的关键。同时,股市中存在一些关联性强、影响力大的重要股票,能够准确地挖掘出这些重要股票,可以为相关部门对股票的管理提供有效的建议。本文以沪深300的数据作为研究样本,并使用Granger因果关系检验方法来描述两只股票之间的因果关系,用最佳阈值法进行去噪、简化,构建一个有向加权股票网络。然后进行股票社团划分,得到一个完整且独立的分层结构。利用LeaderRank算法在最佳阈值下对股票网络的重要节点进行挖掘和排序,进而发现各个行业股票在股市中的地位不同,采矿业、制造业和金融业是股市最具影响力的三大行业。处在两大主要社团之中,出现明显的聚集现象。如果社团内的某一只股票出现异常波动,社团与社团之间很可能引起联动效应,风险容易在社团内传播,因此相关监管部门应该加强对这些行业大户的重要股票的监管和控制,防范风险在股票之间传播。实验结果表明:利用Granger因果关系检验构建有向加权股票网络具有无标度性和小世界性,平均路径长度小、聚集系数大出现明显聚集现象。具有其度分布的幂律指数也相对较小,表明该网络拥有度大的节点比较多,有更多的股票在股票市场中起着重要的作用,这有利于股票市场维持平衡,防止出现几支股票出现垄断现象。本文在标准的LeaderRank算法基础上加了一个权重自由调节参数,针对本文构建的有向加权股票网络重要节点的挖掘更具有针对性,适应性良好,收敛速度快,更够准确地发现和挖掘出股市中的重要股票。