金融市场作为联系实体经济和金融经济之间的重要纽带,在优化资源配置,维护经济稳定增长,分散市场风险方面发挥着不可替代的作用,股票市场的正常波动可以起到促进经济增长,优化资源配置的作用,但是过度的波动也会引起投资者心理恐慌,从而引发经济危机,加剧社会的动荡。因此,能够准确的预测股票市场的波动无论是对于投资者还是政策制定者都有十分重要的现实意义。目前,大多数的研究还集中在传统的同频模型。这使得许多研究都以低频率的股票市场数据为研究对象的数据指标,这样才能与宏观外生解释变量的数据具有相同的频率。在对不同频率的时间序列进行数据处理时,通常将高频率的数据转化为同频率的数据,这样很可能损失高频数据所包含的信息。本文正是在这样的情况下提出以混频数据作为研究对象。本文基于广义自回归条件异方差-混频数据抽样(GARCH-MIDAS)模型,将杠杆效应和不确定性分别纳入考虑进行实证研究。纳入杠杆效应部分采用上证股市数据进行研究,样本内数据的实证结果表明短期和长期杠杆效应均存在。短期成分中负收益率相比正收益率能造成更强的波动,而长期成分中正收益率相比负收益率能造成更强的波动。样本外数据的计算结果表明,GARCH-MIDAS模型的预测能力在将非对称性纳入考虑之后得到提高。本文采用三个损失函数对其进行测试,结果显示改进后的模型最高可以提高原GARCH-MIDAS模型2.1%的预测波动率的能力。纳入不确定性部分采用全球七个主要股票市场的数据进行研究,样本内数据的实证结果表明不确定性在全样本中可以解释长期波动率,特别是在中国和日本市场。样本外结果表明包含不确定性的扩展模型相比原GARCH-MIDAS模型有着更好的预测能力,这个特点在金融危机期间表现得更为明显。这对于投资者来说可以更好地认识到股票市场的风险性,准确把握股票市场的波动,对于政策制定者来说可以有助于发展健康股市、引导理性投资以及完善披露机制等。