目前,金融高频数据分析在研究交易过程和市场微观结构中都占据着重要地位。经济的全球化、衍生产品的大量出现以及因此导致的金融市场的动荡使得金融机构越来越需要更有效的风险管理方法。而如何精确度量风险是风险管理的关键问题。第一部分针对金融时间序列数据,对非平稳的股票数据进行二元经验模态分解(Bivariate Empirical Mode Decomposition,BEMD),针对分解得到的残差序列通过构造混合Copula-GARCH模型,拟采用广义双曲线分布拟合边际残差项,得到M-Copula-GARCH-GH模型应用于股票数据的分析中。利用极大似然两步估计法给出估计过程,并应用到所提出的模型估计中。深入分析其在股票市场中的应用,进而改善风险度量的精度。以便更好的描述具有复杂相关结构的金融市场或变量之间的相关关系。第二部分主要针对高频数据的非平稳、非线性的时序特点,采用希尔伯特黄变换(HHT)中的EMD分解方法基于高频数据本身进行了自适应分解。在每个分层的数据结果下,分别应用Copula函数建立负收益和波动率的相关性,即为高频数据分层下的杠杆效应研究。本文也试图基于Copula理论研究杠杆效应的非线性关系,给出新的模型及估计方法。