随着信息技术的发展,金融高频数据的分析工作越来越被重视。而条件自回归持续期(ACD)模型在处理金融高频数据的正值时间序列方面,有着重要的作用。普遍情况下,持续期模型的新息多在0附近大密度聚集,并呈现非对称的厚尾分布,因此具有厚尾形状的分布越来越多地被统计学家们应用于ACD模型中。事实上,历史上将指数分布、Weibull分布、广义伽马分布等分布作为新息分布的ACD模型已能够处理大部分高频数据,但这些模型存在一个共同的不足,就是对模型新息序列的拟合效果都不是很好,此时模型参数的估计只能是拟最大似然估计。因此对于数据量不断增大数据结构愈趋复杂的金融高频数据,我们仍需寻求更具灵活性的分布函数来拟合持续期模型的新息。理论上已证明,混合厄朗分布在正连续型分布中稠密,因而可用有限混合厄朗分布近似任一正连续型分布。而且在估计ACD模型时,样本量都是成千上万个,完全适合使用混合厄朗分布。因此我们考虑用在保险损失数据建模中有着广泛应用的混合厄朗分布(MER分布)作为新息分布,构造一类新的条件自回归持续期模型-混合厄朗自回归持续期(MER-ACD)模型。借鉴保险损失数据建模思想,引进潜变量构造完全数据对数似然函数进行拟合计算。本文在CMM-GEM算法的基础上,采用EM算法的延伸算法ECM算法,构造一种新的算法,CMM-GECM算法进行最大似然估计参数拟合。在E-步求得完全数据的对数似然函数的期望后,在CM-步将待拟合的参数集合Ψ分为ΨACD,ΨMER两个参数集合,并分别将其中一个固定,对另一个参数集求条件最大值,标准化模型后将求得的参数代入计算观测数据的对数似然函数,判断是否满足停止条件,从而得到MER-ACD模型的参数拟合结果。我们运用R软件设计CMM-GECM算法,分别对模拟数据以及金融实例数据进行MER-ACD模型的参数拟合,并与带指数分布、Weibull分布、广义伽马分布的条件自回归持续期模型做对比,证明了 CMM-GECM算法的有效性,及MER-ACD模型在分析金融高频数据时,对模型新息序列的拟合优于已有ACD模型。