随着金融市场的不断变化,市场流动性在发展中显得越来越重要,市场参与者与管理者也更加明确地意识到流动性的不可或缺性。在一个市场具有充足的流动性时,交易者能够以更加合理的价格快速交易,使得市场价格连续且平稳。而在流动性不足的市场中,资产价格的波动会增大,这不仅会加大投资者损失的风险,还会增加交易过程中风险管理的难度,最终会导致市场矛盾日益突出,影响市场的运行与健康发展,降低市场的效率。因此,流动性是衡量金融市场效率的重要指标之一。交易持续期作为与交易频率紧密相关的概念,在连续的交易过程中,较短的持续期意味着交易活动发生频繁,较多新信息随之产生。交易频率越高,则市场的流动性越高,因此研究金融市场流动性可采用交易持续期作为度量指标。刻画交易持续期变化趋势时,建立在等间隔时间基础上的传统时间序列并不适用于超高频数据的分析。在此基础上,Engle和Russell构建的ACD(Autoregressive Conditional Duration model)模型,将随机的交易时间间隔抽象刻画成一个标记点过程,将持续期与ARCH模型的思想结合起来,在金融领域有着广阔的发展前景。在模型的参数估计方面,分位数回归可以通过设定不同的分位数度量各处的回归特征,不仅可以分析变量在分布中心的影响,上尾和下尾处的分布特征同样可以被捕捉到,这种回归方法打破了传统最小二乘估计方法中的部分限制,并且有着良好的稳健性。于是本文在金融高频数据背景下,以交易量持续期为市场流动性度量指标,应用自回归条件持续期(ACD)模型进行建模分析,同时考虑到金融数据的尖峰厚尾性,采用自加权分位数回归(SQR)方法构造ACD模型中未知参数的估计量,并证明了相应估计量的相合性及渐近正态性。蒙特卡洛数值模拟结果则验证了,采用数据驱动方式分配不同权重的SQR比传统分位数回归(QR)方法估计的ACD模型参数更为准确,且随着数据中离群点比例的增加,SQR参数估计表现更稳健。实证部分基于SQR方法对工商银行和平安银行两只股票的交易量持续期进行建模分析,通过AIC等评价指标反映出在不同分位点处的ACD模型参数估计效果良好且均有提升。