近年来,对金融高频数据和超高频数据的研究已经成为了金融计量学的一个全新的研究领域.本论文主要研究了金融市场高频数据的特性、建模以及应用问题.本文的主要工作如下: 第一, 阐述了目前国内外对金融高频数据和超高频数据进行研究的研究成果,指出其中存在的问题,对未来金融高频数据和超高频数据的研究的发展趋势和方向进行了阐述. 第二,将基于高频金融数据的"己实现"波动这种波动度量新方法引入到了VaR的计算中,并且对上海股票市场的VaR的持续性进行了实证分析. 第三, 在向量ARFIMA模型的框架下考虑多个金融市场的已实现波动之间是否存在分数维线性协整关系. 第四,针对高频金融数据,采用"已实现"波动作为新的波动度量方法,给出基于"已实现"波动的金融时间序列波动持续性和协同持续性的定义,并且对上海和深圳股票市场的波动的持续性和协同持续性进行了实证研究. 第五,对已实现波动进行了改进,提出了另一种更为有效的波动度量方法--赋权已实现波动,并且在综合考虑微观结构误差和测量误差的基础上选择了最优的高频数据采样频率. 第六,采用高频数据,度量股票收益的方差和协方差,对系统风险系数B及其长记忆性进行了研究. 第七, 提出了正交ARFIMA模型.正交ARFIMA模型通过主成分分析的方法有效的降低了变量的维数,对于金融工具的定价、资产配置、风险管理等问题的解决有着深刻的意义. 第八,采用风险调整的资本预期收益标准进行最优证券组合的选择.同时,证券组合的风险采用基于高频金融数据的赋权已实现波动估计量来度量,充分利用了证券收益的日内信息.第九,损失期望值(ES)既承袭了VaR的优越性,又克服了其存在的缺陷,可以利用ES对投资组合进行优化.本文将基于高频金融数据的赋权已实现波动这种波动度量新方法引入到了ES的计算中. 本文的研究内容是国家自然科学基金项目(70471050)的部分研究成果.