金融市场高频/超高频时间序列的分析与建模是金融计量学一个全新的研究领域。高频时间序列通常是指以小时、分钟甚至秒为频率所采集的金融类数据;而超高频时间序列是记录金融市场每笔交易的数据。本论文主要研究了金融市场高频时间序列和超高频时间序列的特性、建模以及应用问题。本文的主要创新工作如下: 1、通过对上证指数和深圳成份指数的高频时间序列的实证研究发现:与低频时间序列不同,金融市场高频时间序列往往具有高的偏度和峰度、具有负的一阶自相关性、具有稳定的“日历效应”现象; 2、利用弹性傅立叶形式回归(FFF)技术对上海股市高频时间序列的“日历效应”进行了定量研究,发现与日本股市不同,上海股市的波动呈现日内单“U”型走势。接着,在弹性傅立叶回归(FFF)的基础上对上海股市冬夏两季的波动水平和模式的异同进行了检验。最后,在使用弹性傅立叶形式(FFF)回归技术对“日历效应”滤波的基础上,对上证综指的高频时间序列建立了长记忆 SV 模型,发现与低频时间序列不同,高频时间序列往往具有低的波动持续性; 3、主要对基于高频时间序列的“已实现”波动进行了深入地研究。针对国际文献中“已实现”波动的计算中测量误差过大的问题,本文对它的计算方法进行了修正,提出调整“已实现”波动率。而且在综合考虑微观结构误差和测量误差的基础上,定义了最优抽样频率。接着,实证研究了上海股市的“已实现”波动和调整“已实现”波动的特性,并针对调整“已实现”波动的长记忆性和“杠杠”效应建立了 ARFIMAX 模型。然后,通过设定一些标准比较了基于调整“已实现”波动的 ARFIMAX 模型,GARCH 模型以及 SV 模型的预测能力,发现基于调整“已实现”波动的 ARFIMAX 模型给出最好的预测。最后,把一维情形的“已实现”波动率扩展到了多维情况的“已实现”协方差阵,对“已实现”协方差阵建立了 FIVAR 模型; 4、主要研究了超高频时间序列的建模问题,通过对上海股市的指数和个股的超高频时间序列建立 ACD 模型和 UHF-GARCH 模型,研究了上海股市的微观结构; 5、提出了用小波神经网络(WNN)来定量研究高频金融时间序列“日历效应”,通过比较发现 WNN 是比弹性傅立叶形式(FFF)回归技术更具优势的方法。 最后总结全文,最后展望了该领域今后的研究趋势。 本文的研究内容是国家自然科学基金项目“多变量时间序列波动持续性及其在金融系统中的应用研究”(70171001)的组成部分。