波动率与风险管理、衍生品定价、制定交易策略以及优化投资组合等有着密不可分的联系,这也是波动率研究深受金融学者重视的原因。随着数据技术不断发展,以高频数据为基础的已实现波动率测度方法成为了波动率研究中的主流方向。其中,异质自回归已实现波动率模型（HAR-RV）也因其估计简便、经济解释强成为了近年来的热点模型。但随着对模型的不断认识,学者们发现已实现波动率存在时变的滞后结构,在其研究中考虑结构不确定性更有助于模型预测精度的提升。不仅如此,金融时间序列在不同周期存在不同波动状态的现象也引起了学者们的注意。已实现波动率不仅存在波动特有的“尖峰厚尾”等特征,也存在着“结构性变化”。因此本文将混频数据抽样模型（MIDAS）与马尔科夫机制转换结构相联系,并建立了新的波动率模型MS-MIDAS以刻画预测上海证券市场行业市场波动率。本文的研究目的在于建立合适的波动率模型,以刻画波动率特征并加以预测。而研究中所需要解决的两个问题在于:第一,混频数据抽样模型通过不同权重方程来平滑已实现波动率的滞后结构,对于最大滞后阶数也并未限制。虽然模型结构更具有灵活性,但是否能够准确描述资产波动率的长记忆性等特征?第二,在现有文献的基础上,金融市场存在着结构性变化。在建模分析中不仅仅考虑波动率自身特征,还需要考虑市场结构性变化所带来的的影响。因此,本文在MIDAS模型的基础上引入了马尔科夫机制转换结构。但模型的改动是否能够打败基准模型,有更优的样本外预测能力?本文通过文献分析与实证分析相结合来解决这两个问题。首先通过文献回顾,梳理并总结了现有波动率模型的不足和缺陷,这也为本文选取MIDAS模型作为基准模型提供了理论支撑。其次通过最小化惩罚对照函数确定了所选研究对象存在结构性变化,这也为本文建模分析带来了直接证据。最后通过MATLAB等软件对MS-MIDAS模型以及基准MIDAS模型进行了实证研究,并得到了以下结论:首先本文发现上证行业指数存在结构性变化现象,且低波动时段更具持续性和稳定性。高波动时段中,滞后已实现波动率对于未来波动的影响更大。其次通过样本外R~2检验发现,MS-MIDAS模型预测精度明显优于基准MIDAS模型。在稳健性检验中,我们改变了滞后阶数、数据抽样频率、样本外预测精度检验方法、在MIDAS及MS-MIDAS模型中引入了跳跃成分。这四种实证结果都支持了结论,证明了马尔科夫机制转换结构对于MIDAS模型预测能力有积极的改进作用。最后本文进一步探讨新模型预测能力在三种特殊时期是否仍然保持优越性。