随着互联网线上交易模式逐渐成熟化,高频股票交易在全球金融市场下快速发展,此时低频数据分析已无法充分地反映金融市场交易信息,因此高频金融数据分析成为了近年研究的热点方向。而对于高频交易数据,传统的时间序列分析方法面临着估计大量参数且估计效果不准确的难题。因此,学者们提出函数型时间序列分析方法,依据数据内部的特征结构,将数据整体看成曲线进行分析,有效避免了“维度灾难”。本文主要研究的高频交易数据来自限价订单簿。限价订单簿由订单驱动市场中买卖双方提交到交易平台上的限价订单数据组成,是高频股票市场数据的集合,可以在线实时为市场参与者和监管者提供透明有效的信息。本文的研究分为理论部分和实证部分。在理论部分中,本文对函数型数据分析基本工具及函数型GARCH模型的相关理论性质进行了介绍,并用数值模拟的方式对该模型改良的参数估计方法的有效性进行了检验。实证部分首先运用传统经典的GARCH（1,1）模型对亚马逊股票的限价订单簿中最优买卖价及对应流量数据进行建模和预测,然后通过函数型FGARCH（1,1）模型对限价订单簿中交易双方前三十档位的所有价格和流量数据进行了建模和预测,针对实际数据进行分析得到相关数据波动和未来发展趋势。通过两种方法对比得出结论,函数型时间序列模型不仅能实现一次性对每一个档位的数据都得到预测值,并且误差更小,预测效果更准确。最后,结合本文函数型预测分析结果,对投资者提出了三条交易策略建议,从而使投资者更好地了解股票订单数据变动规律,掌握投资时机。