当前越来越多的人走进股票市场,试图通过炒股获取财富,但是由于缺乏相应的股票知识以及投资理财方面的经验,导致许多人在股票市场损失惨重。在证券投资分析中,选股和择时是人们最为关注的两个问题。随着上市股票数量的增多,投资者不仅需要准确分析各只股票潜在的买点和卖点,还需要进行投资组合的选择以减少风险。通过股票的聚类,能够得到在相同时段或者是不同时段走势相似的股票,可以为构建投资组合提供一定指导。股票预测可以从股票历史数据中寻找市场变化的规律特征,为股票的买卖提供一定的指导。针对金融时间序列信噪比低、非线性、非平稳、非正态的特点,本文提出了一种基于卷积自编码器和K-Means算法的股票时间序列聚类方法,其中卷积自编码器用于特征提取和降维。一般来说,投资组合的构建需要选择不同板块的股票,因为相同板块的股票之间的相关性较高。通过对不同板块内的100只股票聚类,发现不同板块的股票之间也可能存在一定的相关性,因此不能只根据板块来选择投资组合,更科学的方法是对股票序列聚类,根据聚类结果,考虑将不同类别的股票加入投资组合。由于聚类是无监督学习,仅从内部指标无法比较不同算法的优劣,于是本文在公开的UCR Times Seris Archives中选择了25个数据集,采用调整的兰德指数和标准互信息为评价指标,实验结果表明本文的方法较好。针对传统的股票预测方法精度不高的问题,本文提出了一种基于GBDT的股票预测方法,在原始数据的基础上加入了时间特征（年、月、日）,以及统计特征（移动平均、每日收益、布林带）等特征,然后通过融合LR、XGBoost和lightGBM三种模型,在股票涨跌预测的问题上准确率达到57.6%,超过了基于GRU的方法,也就是深度学习的方法。最后通过lightGBM模型分析了不同特征的重要性,增强模型的可解释性。在前面工作的基础上,本文搭建了基于Flask的股票大数据分析平台,提供股票可视化、股票聚类、股票预测的功能。整个系统以Hadoop、Spark、MySQL为后台数据存储和处理平台,加快数据处理速度;uWSGI和Nginx为网络服务器,实现高并发和负载均衡;Redis数据库作为缓存,缓解服务器压力并加快访问速度。最后进行了系统测试,验证系统的可用性。