金融市场中，波动率是度量金融风险的一个非常重要的因素。交易者若期望获得收益并对风险进行管理和控制，就必须研究波动率自身的性质，因此精确预测波动率的研究显得尤为重要。目前，对于金融高频数据波动率的建模，主要集中在：对自回归条件异方差模型(ARCH模型)的拓展、基于“已实现”波动率（RV）理论的模型、自回归条件持续期模型(ACD模型)和乘积误差模型（MEM）。经研究表明，MEM是ARCH类模型和ACD模型共同拓展的模型，故其相关理论是值得详细而深入研究的。在我国现有的文献中，关于金融高频数据波动率研究大多集中在前三者上，很少见MEM在这方面的研究。鉴于此，本文将MEM用于我国股市高频数据波动率度量及预测上，这也是本文的创新点之一。基于以上研究的思路，本文以我国高频数据沪深300指数为研究对象，对我国股市高频数据的典型特征进行了研究与验证，实证检验表明，我国股市高频数据存在高峰厚尾性、自相关性、长记忆性和杠杆效应等典型特征。根据我国高频数据的典型特征，针对杠杆效应建立了TARCH模型，针对“已实现”波动率建立了ARFIMA模型和MEM，分别运用上述三种模型进行了预测并对预测的准确性进行了比较分析。结果表明，MEM的预测效果是最好的，ARFIMA模型的预测效果其次。最后，本文将基于MEM的波动率预测模型应用于VaR值的计算中，并对其风险预测的效果进行返回检验。