金融时序数据是指金融随机变量按时间先后顺序所取的值。金融时序数据有着独特的统计特征，如波动集群性、尖峰厚尾性、杠杆效应、不对称性等等。为了能够很好地刻画金融时序数据的统计特征，对金融时序数据进行合理的统计建模是非常重要的。通过模型我们可以揭示数据呈现的规律，诠释相应的金融经济现象，为经济和社会的发展作出合理的预测和判断。对金融时序数据建立统计模型一直都是经济研究人员和投资者关注的焦点。在计量经济学领域，自回归条件异方差(ARCH)模型和广义自回归条件异方差(GARCH)模型经常被应用在金融时间序列分析中。ARCH模型实际上是GARCH模型的特例，因此，在实际应用中普遍用到的都是GARCH模型。文中选取了2008年1月2日到2012年12月31日的上证综合指数和深证成分指数的收盘价，对其收益率序列建立了GARCH(1，1)模型。　　对数据影响点的识别可以为决策者提供更加全面有效的信息，因此数据的影响分析不断受到众多理论研究者和实际工作者的重视。近二十年来，影响分析理论逐渐发展成熟，但对金融时序数据的影响点识别方面的研究却略显稀少，因此本文将在对金融时序数据建立GARCH模型后进行影响点的识别。金融时序数据之间存在着一定的相关结构，对其进行影响点的识别是比较复杂的，传统的影响分析方法——数据删除法对此效果不佳，因为它会改变数据之间的结构。因此本文选择了两种较新的方法，一种是Cook(1986)提出的局部影响分析方法，一种是石磊和黄梅(2010)提出的逐步局部影响分析方法来对金融时序数据进行影响点的识别。在做局部影响分析时，我们还得考虑到不同的扰动模式会对影响点的识别造成不同的影响。在GARCH模型中，常用到三种扰动模式，即:Dataperturbation，Innovative perturbation和Additive perturbation。在影响点的识别过程中，应尽量避免淹没(swamping)现象及掩盖(masking)现象的发生。通过实证分析我们发现:Innovative perturbation比Data perturbation和Additive perturbation更能有效避免淹没现象的发生，而逐步局部影响分析比局部影响分析更能有效解决掩盖效应问题，通过逐步局部影响分析，那些被强影响点掩盖住的其它影响点被一步一步识别出来。因此，在对金融时序数据进行影响点探测时，在Innovative perturbation下进行逐步局部影响分析是一个比较不错的选择。　　影响点识别以后，我们不能对它视而不见，应该对其加以分析，方便决策者做出更加合理有效的决策。本文就结合了一定的经济背景及有关的统计知识对上证综合指数收益率及深证成分指数收益率的影响点进行了一个简单的分析，通过分析，我们得到了一些有用的信息，即在分别对上证综合指数及深证成分指数进行分析时，我们也不要忘了观察它们之间的联系。　　通过这篇文章想告诉大家，对金融时序数据进行统计建模并进行影响分析是极具现实意义的。