近年来,金融市场中交易模式的创新和金融产品的丰富使得金融高频数据成为了当下的研究热点。由于金融市场中的交易都是随机的,所以产生了变化的不规则的交易时间间隔（也称持续期）数据,这其中包含了大量的市场微观结构信息（如时变性、聚集性等）。通过对持续期的研究可以发现日内交易的行为结构,可以更好地理解市场的微观结构。在目前的研究中大多用自回归条件持续期（ACD）模型来描述持续期的演变。在用ACD模型进行建模估计时,大多采用极大似然估计（MLE）方法,而MLE在估计前往往需要假设误差项服从某种已知的分布,并且其方差需要有限。实际上金融高频数据通常含有较多的扰动信息,它们是不稳定的并且在短期内具有厚尾的性质,且这些数据的方差甚至可能趋向于无穷,这就使得MLE的估计结果不太可靠。之后有部分学者提出使用分位数回归（QR）来估计ACD模型,此方法不需要事先假设误差项分布,对异常值也不敏感,其通过在不同分位点上的条件分布函数来描述解释变量随着响应变量变化的大致规律,但是部分分位点偏离过大会导致信息缺失,也会使得估计结果与实际有很大的偏差。针对MLE和QR估计存在的不足,本文采用复合分位数回归（CQR）方法对ACD模型进行估计。本文首先从理论上证明了CQR估计的相合性和渐近正态性,然后在误差项服从不同性质的分布下分别采用MLE,QR（0.5）和CQR估计对ACD模型进行了参数估计,比较上述三种方法的模拟结果发现,不论误差项分布的方差是否有限,CQR估计的效果在整体上的表现都是最好的。最后,本文将CQR估计应用在股票的ACD建模上,对两只具有代表性的股票的交易量持续期和价格持续期进行了实证研究和分析,结果显示CQR估计可以良好地拟合持续期序列,并且与其它两种估计方法相比,CQR估计对持续期的建模更有效。