在时间序列中,由于各种原因往往会出现与其他数据的波动情况有着明显差距的异常数据,这样的数据叫做异常值。一般在建模的时候,异常值很容易被忽略掉,但相对于普通的数据,这些点包含着更多的信息,原因通常为突发事件,误操作数据,或内部机制的变化,这些点可能会影响当前的某个值,或影响其后的某个值,从而使模型的预测产生了非常大地困难。因而,识别时间序列中的异常值能提高模型预测的正确性。本文主要利用小波分析检验单变量时间序列中的异常值。首先,选取以Haar为小波基的离散小波变换(DWT),将时间序列离散化,从而获得小波细节系数及近似系数。其次,利用Monte Carlo模拟筛选出所得序列的最大值,取其平均值作为阈值。再其次,为了避免“掩蔽效应”,在超过阈值的绝对值中找出最大的细节系数所对应的位置,将位于此位置的细节系数设置为一个合适的值,得到一个新的序列。最后,通过逆离散小波变换(IDWT)将残差序列进行重构,如此循环,直到小波细节系数的绝对值全部都小于阈值为止,进而利用得到的位置集合,检验和识别出异常值。实证方面,本文基于小波分析分别检验上证综指及深证综指的收盘价的异常值。通过自相关和偏自相关检验,可知序列有较缓慢的衰减性自相关问题,因而本文模拟了 GARCH(1,1)模型得到对数收益率的残差序列{Xt};通过描述{Xt}的统计特征,可知序列服从近似正态分布;通过单位根检验(ADF)可检测出{Xt}是平稳的;按照小波分析检验的步骤找出{Xt}中的异常值。其中,采用服从近似正态分布的Monte Carlo模拟选定阈值。根据阈值和IDWT得到位置集合,利用位置集合定位出异常值的位置,分析其产生原因。最后,通过比较分析上证综指与深证综指检验结果,进一步验证了本文检验方法的可行性。