证券市场的长记忆性一般是指股票的价格或收益率序列存在长期相关性,而现有的金融理论假设收益率是独立同分布的,并没有考虑长记忆性,所以长记忆性的存在会对许多已有的理论产生影响。场景记忆是个人亲身经历过的,在一定时间和地点发生的事件或情景的记忆。场景记忆的研究人员发现人们使用深刻影响的事件来指导他们的回忆。本文围绕交易数据的长记忆性和隐藏在交易数据中的场景记忆,主要做了以下研究工作:(1)研究了长记忆性的检验方法。通过仿真计算发现短记忆性的存在会使R/S分析方法的估计值和样本序列的真实值存在较大的偏差。提出了使长记忆时间序列的自相关函数和偏相关函数的理论值与样本估计值之间误差最小原则的长记忆参数估计方法。用不同的检验方法对我国证券市场的综合指数及一些个股的收益率和绝对收益率进行了检验,得出日收益率几乎不存在长记忆性,而日绝对收益率有较明显的长记忆性。(2)总结了用ARFIMA模型对长记忆时间序列建模分析的一般步骤,推导了用ARFIMA模型做预测时,预测系数的迭代公式以及预测系数的极限性质。(3)建立了一个基于交易数据的场景记忆系统,通过事件模式对交易数据的学习给出了事件场景记忆模型的计算实例。实际数据分析表明,场景记忆模型允许系统根据当前的情况搜寻它的历史记忆场景,从而对当前的形势做出一定的判断。