La predicción financiera es un campo de investigación importante en la minería de series temporales de datos financieros. Siempre ha existido un problema de agrupamiento de grandes volúmenes de datos de series temporales financieras. Los algoritmos de agrupamiento convencionales no son prácticos para los datos de series temporales porque están diseñados esencialmente para datos estáticos. Esta impracticabilidad resulta en una baja precisión de agrupamiento en varios modelos de pronóstico financiero. En este artículo, se propone un nuevo algoritmo híbrido basado en la Optimización de Puntos Iniciales y Agrupamiento Espacial Basado en Densidad de Aplicaciones con Ruido (OVDBCSAN) y regresión por vectores de soporte (SVR). En el punto inicial de optimización, y MinPts, que son parámetros globales en DBSCAN, se ocupan principalmente de conjuntos de datos de diferentes densidades. Según las diferentes densidades, se seleccionan parámetros apropiados para el agrupamiento a través de la optimización. Este algoritmo puede encontrar una gran cantidad de clases similares y luego establecer modelos de predicción de regresión. Se probó extensamente utilizando conjuntos de datos de series temporales del mundo real del Banco Ping An, la Bolsa de Valores de Shanghái y la Bolsa de Valores de Shenzhen para evaluar la precisión. La evaluación mostró que nuestro enfoque tiene un gran potencial en el agrupamiento de grandes volúmenes de datos de series temporales financieras, mejorando así la precisión de la predicción de precios de acciones e índices financieros.