在期权定价问题中，有一类反映隐性不可观测波动的时间序列——随机波动模型，简称SV模型。SV模型由于对实际数据的拟合较好，其隐性不可观测波动更符合实际股价波动的变化，而逐渐成为研究的热点。但在实际中，数据会受到各种因素的影响，因而对其影响点的识别就变得非常重要。本文在一定条件下对其序列影响点进行识别：对SV模型的参数应用伪极大似然估计方法进行估计，并在此基础上应用Cook的局部影响分析方法，对其强影响点进行识别，并通过模拟实例，对其影响点识别的效果进行说明。 第一章介绍了模型的实际背景；第二章简单对问题做了引入，给出了常见一维的SV模型的两种形式，分析了一维SV模型的所具有的一般统计性质；第三章讨论了一维SV模型的参数估计方法，包括：伪极大似然估计方法(Quasi_MaximumLikelihood，QML)，广义矩估计方法(GeneralizedMethodsofMoment，GMM)，马尔可夫链蒙特卡罗方法(MarkovChinMonteCarlo，MCMC)，非线性滤波极大似然估计方法(Non_linearFilteringMaximumLikelihood，NFML)和模拟极大似然估计方法(SimulatedMaximumLikelihood，SML)；§3.2详细推导了伪极大似然估计方法应用Kalman滤波估计一维可转化为线性形式的平稳SV模型的参数估计方法，并给出了误差的渐进分布及其中心极限定理；第四章首先介绍了统计诊断的含意、基本概念和Cook的局部影响分析方法如何寻求强影响点，并在上一章参数估计的基础上，给出了基于Kalman滤波的识别强影响点的公式，最后给出了一个计算机模拟的实例，应用MATLAB编程，从实证的角度验证了方法的可行性，并指出该模型的应用范围。