本文首次在已实现波动率类建模领域下提出一般化框架(General Framework)的概念。基于一般化框架,我们将首次提出一个完整的已实现类建模框架,即一般化异质性自回归扩展模型(generalized heterogeneous autoregressive extended model of realized volatility,GHAR-E),我们指出 GHAR-E 模型建模框架统一了整个已实现波动率建模领域。同时,GHAR-E模型建模框架将是已实现类建模的原始形态。本文首次基于GHAR-E模型建模框架的假设下提出一类全新的可行系列模型组,即GHAR-EJ-EXAMPLE系列模型组,本文首次定义已实现类建模时,对原样本预测因子序列给予权重构建所得的新样本预测因子序列作一般化预测因子权重方法(general predict factors weighting)。本文针对Fan and Yao(2003)62给出非参滤波方法(non-parametricfilter)进行算法优化及改进,显着提高研发效率。本文以当前国外研究常用的已实现波动率测度方法,即跳跃检测方法进行相关研究。包括 BNS(200425,2004b26,200627,2006b29)的 RBV,ABH(2011)9的MinRV及MedRV,以及CPR(2010)8的TMPV模型。通过不同维度的推断,最终确立了 CPR(2010)8的TMPV方法是当前一般化框架下的全局最优单一子模型,能更好的辨别日内跳跃,而且具更高的稳定性及预测能力。最后通过实证发现GHAR-EJ-EXAMPLE系列模型较之GHAR-EJ系列模型组具有更佳的模型拟合优度和预测能力。本文提供的示例GHAR-EJ-EXAMPLE系列模型只是GHAR-E模型建模框架下的其中一类可行性建模形式。因此,GHAR-E模型建模框架将对未来已实现波率类建模延伸有重要参考价值。