近年来金融市场高频数据特性研究成为经济金融领域研究的热点。由于高频数据具有在较短时间跨度上仍能取得大量数据的特点,为研究金融市场的某些渐近特性提供了极大的便利。高频数据特性研究中,对长记忆性的研究是一项重要内容。自Hurst从潮汐数据中发现水文时间序列的长记忆性(long memory),Mandelbrot建立了长记忆分析的严格数学基础以来,长记忆研究在包括经济,金融领域在内的自然科学和社会科学领域引起了广泛关注。长记忆性意味着当有事件对收益或波动序列产生冲击时,在较远的滞后阶数上仍有影响。对长记忆性的研究不仅对于分析了解市场结构、衍生品定价及预测等方面具有重要的实践意义,对以往传统的基于短记忆性的实证研究方法也是一个冲击,具有一定的理论价值。在这样的背景下,近年来国内外均出现了较多对于金融市场长记忆性的研究。国外对长记忆性的研究较为完善,既有基于传统的日间低频数据的研究,也有大量使用高频数据进行日内特性的研究。而国内使用日数据对股票,债券等市场长记忆性的研究较为多见,使用日内高频数据进行研究的从近年来开始涌现。但对于日益成为机构投资重要力量的基金市场长记忆性的研究较少,本文在这方面做了初步的尝试。本文的主要内容是:绪论部分先对本文的选题背景和意义,以及国内外在这方面的研究现状进行了综述,重点对长记忆性方面的研究情况进行了介绍。由于实证中发现基金市场日内波动具有较强的日内周期性,表现在日内绝对收益具有较明显的日内“W”型模式,该周期性对长记忆性的研究具有一定的影响,因此,第二章先用FFF回归的方法去掉日内周期性。实证表明FFF回归方法能较好的去掉日内周期性,经过FFF回归去周期后的日内波动序列不再具有明显周期性,并且在图形上可以初步看出其具有长记忆性,为第三章对长记忆性的检验打下了基础。第三章详细介绍了长记忆性检验的各种方法,在对各种方法进行综合评价对比之后,采用了三种方法—R/S检验,修正R/S方法,GPH方法对日内收益序列,日内波动序列,日内去周期后波动序列进行了长记忆性的检验,并得到了表征长记忆程度的相关参数,同时也得到了日内波动序列具有长记忆性的结论。在此基础上,第四章对日内波动序列进行了长记忆性的建模研究,主要运用GARCH族长记忆性模型进行建模,并与短记忆模型的实证结果进行了对比,实证表明GARCH族长记忆性模型能较好的对日内波动序列的长记忆性进行建模,在模型选择的相关指标上优于短记忆模型。第五章是总结和展望。