自20世纪80年代以来，长记忆时间序列理论开始在计量经济学领域中得到快速发展，并广泛应用在经济、金融等研究领域；与此同时，变点检测问题也同样受到经济学家的高度重视。时下，越来越多的金融数据呈现长记忆特性，而且结构变点在金融时间序列中经常出现。鉴于此，研究长记忆序列指数变点检验问题显得十分重要。本文的创新点如下：　　首先，建立含指数变点的长记忆序列回归模型，基于ratio检验统计量检验序列的指数变点。研究发现：在原假设下，ratio检验统计量收敛到一个分数布朗桥，在备择假设下，ratio检验统计量是发散的。数据模拟结果表明：在原假设下，拒绝率随样本量的增大而增大，基本接近5%，在备择假设下，拒绝率随样本量的增大以及指数跳跃幅度的增大而增大，最高达到66.3%。此外，变点的估计依赖于不同的长记忆时间序列和样本量，更加准确地说，随着指数跳跃幅度的增大，变点的估计值会更加精确，接近真实值。通过蒙特卡罗模拟说明理论与实验模拟相吻合。　　其次，建立含均值变点、指数变点的长记忆序列回归模型，基于ratio检验统计量检测序列的指数变点。研究发现：在原假设下，ratio检验统计量是以T1-2d0的速率发散，在备择假设下，ratio检验统计量趋于无穷。数据模拟结果表明：在原假设下，拒绝率随着均值跳跃幅度的增大而增大，随着长记忆指数的增大而减小，且均值起决定性作用，这有可能导致过高地估计指数，甚至导致研究者产生误判，在备择假设下，拒绝率随着均值跳跃幅度增大以及指数跳跃幅度的增大而增大，并趋于无穷，均值的影响相对较大。通过蒙特卡罗模拟验证理论的合理性与正当性。　　综上所述，对以上两种长记忆回归模型，均能利用ratio检验统计量有效检验长记忆指数变点，同样地，数值模拟也能验证理论的合理性与正当性。