股票市场经常会突然地发生剧烈波动。其中,2015年股灾发生的过程就极其惊心动魄,这场上证指数的大跌对股民的信心造成重挫。另外,股票市场的剧烈波动也不利于我国金融市场的稳健发展。此时,风险管理变得尤为重要,而进行风险管理的第一步便是风险度量。由于VaR度量具有可加性和估计简单方便的优点,所以其经常被用来计算某一投资组合或金融资产在一定置信水平下的最大损失值,其中包括股票市场股票指数的损失情况。进行VaR度量首先要求波动率的准确预测,也就是选择准确有效的波动率模型。随着高频数据的获得,现在很多学者利用日内高频数据进行波动率建模,例如已实现GARCH模型、已实现EGARCH模型等等,这些模型相比于传统的GARCH模型有着更好的波动率预测效果和VaR度量效果,但是这些模型都没有考虑波动率序列的长记忆性和时变的高阶矩。事实证明,股票市场的波动率带有明显的持续性特点并且收益率序列的条件偏度(三阶矩)和条件峰度(四阶矩)是随时间的变化而变化的。考虑到收益率序列和波动率的这些特征,本文使用了已实现HAR-GARCHSK模型进行波动率建模,此模型将收益率序列分布设定为GCE分布,这种分布的高阶矩是不固定的,能够充分利用到收益率序列中条件偏度和条件峰度的信息得到更为准确的VaR风险测度。本文在使用已实现HAR-GARCHSK模型之后,将已实现GARCH模型、已实现HAR-GARCH模型和已实现HAR-GARCHSK模型进行对比,利用现实数据上证综合指数的收盘价进行了实证分析,结果显示:收益率序列具有明显的尖峰厚尾特征,不服从正态分布,所以本文采用GCE分布使用了已实现HAR-GARCHSK模型,并与已实现GARCH模型和已实现HAR-GARCH模型做对比。已实现HAR-GARCHSK模型参数估计结果显示,收益率序列的历史数据有着明显的时变特征,即随时间的变化而剧烈波动。已实现GARCH模型、已实现HAR-GARCH模型和已实现HAR-GARCHSK模型的条件方差有着很强的持续性,即后期的条件方差受前期条件方差的影响较为明显。之后利用模型估计结果进行波动率预测和VaR估计,分析发现已实现HAR-GARCHSK模型的波动率预测效果要好于已实现HAR-GARCH模型和已实现GARCH模型,并能够很好地刻画收益率序列的尖峰厚尾特征。基于时变高阶矩的已实现HAR-GARCHSK模型的VaR估计效果要好于已实现GARCH模型和已实现HAR-GARCH模型。最后,本文介绍了已实现HAR-GARCHSK模型的扩展方向与主要应用领域,为模型的进一步发展奠定了基础。