作为资产定价、衍生品设计、投资组合的核心,金融资产的收益率和波动率研究显得尤为重要。通常情况下,金融资产收益率呈现小幅度、平稳变化趋势,但是受到异常事件影响,金融资产收益率也会在短时间内发生大幅度向上或向下的突然性波动。金融资产收益率的大幅度突然性变动特性在金融计量理论中被称为跳跃或跳跃行为,跳跃行为发生概率很小,但是一旦发生波动幅度会很大,从而对金融市场造成巨大冲击。跳跃行为不仅会对资产收益率产生重大影响,还会影响到市场风险、风险溢价等许多方面。因此选择合适的模型对金融资产收益率的跳跃行为进行识别和深入分析具有重要现实意义。国内外学者关于跳跃点的识别更多是基于经验或非参数方法,因此本文尝试使用参数方法对跳跃点进行识别。首先,本文考虑将GARCH-Jump模型的残差项设定为混合高斯模型,即GARCH-Jump模型的残差项以概率a₁服从非跳跃项分布,以概率a₂服从跳跃项分布,并采用EM算法进行参数估计。从而根据模型估计结果计算出某个时点属于跳跃项和非跳跃项的后验概率,设定阙值为0.5,当某时点属于跳跃行为的后验概率大于0.5时,则认为在该点发生了跳跃行为。其次,本文采用了模拟仿真的方法研究了基于EM算法的混合高斯分布GARCH-Jump模型对于跳跃点识别的有效性。将一次产生的3000条模拟数据分别使用RV-BV方法和混合高斯分布的GARCH-Jump模型进行跳跃点识别,并按照相同参数特征重复实验100次,对比发现,RV-BV方法的识别率随数据切割份数增加而上升,准确率随数据切割份数增加而下降,随着识别率的上升,准确率下降速度更快,但是在相同的准确率（87.60%）下,新模型具有更高的识别率（69.80%）。接着对比基于EM算法和MLE算法对跳跃点的识别效果,发现MLE算法对跳跃点的识别率仅有10.39%,从而证实了EM算法对于新模型识别跳跃点的重要性。本文还通过比较不同样本量的模拟数据下新模型的跳跃识别效果,说明该模型对于跳跃点识别的稳定性。本文继续通过设定不同条件概率阙值探究新模型跳跃点识别率、准确率的变化规律,发现随着阙值提高,识别率上升,准确率下降。最后,本文实证研究沪深300指数、标普500指数,从而对比中美股票市场跳跃行为差异性。通过分析,两个股指数的日对数收益率均是平稳非白噪声序列,且均具有左偏、尖峰、厚尾特征,波动具有集聚性。实证采用RV-BV方法和基于混合高斯分布的GARCH-Jump模型对两个股指数对数收益率序列进行跳跃识别,对比发现RV-BV方法需根据经验调节窗宽才能提高跳跃点的识别率,而混合高斯分布的GARCH-Jump模型只需将数据输入模型就能达到更高的识别率。接着通过混合高斯分布的GARCH-Jump模型识别到的跳跃点分析发现中国股市处于熊市时更容易发生跳跃行为,中国股票市场相比美国股票市场更容易发生跳跃行为。