کاوش قوانین وابستگی یک تکنیک مهم در داده کاوی است که در آن یافتن الگوهای تکراری، یک مرحله بسیار زمان بر و پر هزینه به شمار می رود. در این تحقیق یک روش جدید برای یافتن الگوهای تکراری بر روی داده هایی که مقادیر آن ها به شکل نوسانی (افزایش، کاهش یا بدون تغییر) هستند مانند داده های تغییرات قیمت سهام در بورس اوراق بهادار ارائه می شود. در این روش، فقط تعداد کمی از تکرار مجموعه عناصر از پایگاه داده جستجو می شود و تکرار بقیه مجموعه عناصر به کمک تکرار مجموعه عناصر بدست آمده و روابط پیدا شده بین تکرار آن ها محاسبه می شود. بدین ترتیب نیاز به کاوش کل الگوهای تکراری از پایگاه داده نیست. این امر باعث صرف زمان بسیار کمتری برای یافتن الگوهای تکراری و در نهایت یافتن قوانین وابستگی می شود. با توجه به نکات یاد شده، در این تحقیق با پیاده سازی الگوریتم fp-math (مخفف frequent patterns-math) کارایی آن بر روی داده های واقعی بورس تهران بررسی و نشان داده می شود. همچنین نتایج آزمایشات نشان می دهد الگوریتم fp-math در مقایسه با الگوریتم های پیشین مانند الگوریتم apriori، که یکی از مشهورترین و پر کاربردترین آن ها در این زمینه است، تقریباً سه برابر سریع تر اجرا می شود. در مجموع، بهره گیری از الگوریتم پیشنهادی توانست الگوهای تکراری و قوانین وابستگی جالبی را از داده های بورس اوراق بهادار تهران استخراج نماید.