近年来,许多学者对于时间序列数据的研究在不断深入,许多较为成熟的理论也随之出现了,如在参数估计、预测等方面。针对强影响点,采用的识别方法是局部影响分析法。然而,对时间序列模型中的异常点和强影响点的辨认可能由于其序列前后有一定的联系使其变得复杂。本文首先针对销售数据在应用广义自回归条件异方差模型时出现奇异信息的问题,对广义自回归条件异方差模型进行了改进,并应用改进的异常点检测方法检测异常点,然后应用在创新扰动模式下的逐步局部影响法来检测强影响点,最后应用迭代的方法对异常点和强影响点进行处理。其次,为了描述金融时间序列的尖峰厚尾性以及杠杆效应,本文使用基于求和自回归移动平均模型的在偏t分布下非对称幂自回归条件异方差模型对处理后的两组销售数据进行分析。实证分析表明,考虑强影响点的模型比只考虑异常点的模型有更好的预测效果。这样可以让企业决策层对产品销售的趋势有一定的掌握,从而对资源能够进行有效整合,合理规划,并在同行中提高自身的竞争力。