金融市场微观结构领域中研究的高频数据是指与日间或者更长时间间隔的数据相对而言的数据类型,是在交易日内采集到的交易价格、交易量等数据,主要针对以小时、分钟为采集频率的数据。而超高频数据则指证券、外汇等金融产品交易过程实时采集的数据,显然超高频数据是不等间隔的数据。在回顾了高频数据和超高频数据研究现状后,对以下方面展开研究:1. Engle在1998年首次提出对不等时间间隔的超高频时间序列建立ACD(Autoregressive Conditional Duration)模型,之后多位计量经济学家发展了Engle的模型,至今已出现十余种。模型的不统一给确定模型形式和比较不同模型之间的优劣带来困难。本文通过建立变结构分整增广ACD模型,将ACD模型统一,并且给出该模型无条件矩性质,同时将递阶遗传算法引入模型参数的估计问题中,最后通过上海股票市场的实际数据验证了变结构分整增广ACD模型及参数估计方法的有效性。变结构分整增广ACD不仅囊括了现有文献中出现的主要的ACD模型,而且通过参数设定推导出几十种新模型,丰富了ACD模型家族。2.高频数据是研究市场微观结构的基础,利用了日内交易信息,可以解释价格波动行为的驱动力等低频数据无法解释的问题。本文利用风险价值(VaR)理论,通过计算后验失败统计量LR等指标证明,高频数据同时也提高了模型的预测能力。3.金融时间序列数据高峰厚尾特性使计量经济学者在建立模型时不得不考虑找到合适的分布函数解决这个问题。本文对可以描述高峰厚尾特性的四种分布(N分布,t分布,广义误差分布,有偏t分布)进行对比研究,通过上海和深圳股市数据说明广义误差分布对于描述我国股票市场收益率序列最合适。