随着经济的发展和人们投资意识的转变,证券投资已经成为现代人生活中的一个重要组成部分。金融证券市场是一个高风险高收益的投资领域,在这个领域中,投资者为了追求投资收益的最大化和投资风险的最小化,不断地探索其内在规律,寻找其有效的分析方法和工具。因此,对金融时间序列的分析具有重要的理论意义和应用价值。在证券时间序列分析中,一般采用建模的方法进行数据拟合。本文深入分析了传统的时间序列模型和神经网络模型,并对一定时期内的证券时间序列的拟合效果进行了比较。在这些拟合方法中,尽管可以得到趋势明朗后模型与实际数据的较好拟合效果,但是对于引起证券时间序列趋势改变的奇异点及其邻域内的时序点拟合误差较大。这些奇异点包含证券时间序列波动过程中的暴涨、暴跌和极点等转折点。本文通过分析证券时间序列中的奇异点,得出结论：1、证券时间序列的涨跌幅与相对拟合误差非线性相关,涨跌幅度较大时,模型拟合的误差较大。这类误差用传统时间序列、神经网络模型的白噪声误差、随机误差来描述,难以取得良好的拟合效果。2、提出证券信息奇异点理论,用证券信息影响强度描述证券时间序列的奇异波动,可以从理论上解释证券时间序列中的奇异点现象。3、建立证券信息奇异点的新模型,在传统时间序列分析的基础上,引入信息奇异点拟合,可以有效改进拟合效果。本文采用上证指数(000001)和昌河股份(600372)的实际数据,分析时间序列模型的奇异点误差,并对奇异点的证券信息进行分析,最后运用证券信息奇异点模型拟合实际的证券时间序列。拟合结果证明,证券信息奇异点模型可以有效地把传统拟合方法和信息奇异点结合起来,使证券时间序列的整体拟合精度比传统模型提高近50%,从理论上合理解释了证券时间序列中的奇异点现象,有效修正了传统模型对不确定因素的拟合误差,在理论分析和实际应用中具有实用性和有效性。该方法是证券时间序列分析中一个新颖的研究方向。