波动率是金融时间序列研究中一个关键，波动率建模和预测具有重要的应用价值。基于高频数据的波动率估计量可以用于时间序列模型中，使得波动率的建模和预测更直接，但测量误差会使模型系数会有一定的偏误。本文研究了一种基于波动率测量误差的波动率预测模型(HARQ模型)，并与非线性模型结合，期望改进预测效果。考虑到波动率相关的文献中关于波动率可能长记忆性和非线性并存的观点，本文以具有长记忆特征的HAR模型为基础，加入波动率测量误差后，模型中一阶滞后项的系数有普遍提高，结合非线性模型则达到结构变化和减弱条件异方差的效果。另外，本文还选用了一些HAR模型衍生出的模型，并与其对应的HARQ型模型比较预测效果。　　从样本外预测结果来看，HAR型模型中加入测量误差作为波动率滞后项的调节变量有较显著的改善。结合时变参数模型后有较大改进，尤其预测期较长时改善是显著的，其中加入测量误差的模型有相当一部分显著优于未加入测量误差的模型，可以推测加入测量误差对预测效果的改进不仅是非线性特征带来的。从资产组合表现来看，HARQ型模型比对应的HAR型模型基本上略好一些。　　最后，本文对中国股市的方差风险溢价做了估计和影响因素分析。本文估计的方差风险溢价普遍为负，验证了波动率风险溢价补偿的存在，且市场不确定性更高的时期溢价补偿更高，波动率风险可以看作是被市场定价的。回归和时差相关分析结果支持方差风险溢价受期权供求、金融市场风险等潜在风险因子影响的假设，而方差风险溢价的符号与市场收益率负相关，还包含了未来波动率的信息。　　本文的研究特色与创新有:　　1)本文的一个主要工作是研究了一种基于波动率测量误差的波动率预测模型，并创新地结合时变参数模型做了非线性扩展。一般在研究波动率的建模时，很少考虑到在做波动率估计时产生的测量误差会对模型产生什么影响，而HARQ模型则将测量误差显性地在模型中加以考虑，期望减小系数偏误。　　2)本文将波动率预测模型应用于中国内地的股市，数据采用沪深300从2005年4月8日到2016年3月9日2652个交易日的高频数据，包含牛市和熊市阶段。　　3)用比已实现波动率更精确的已实现极差波动率作为波动率的估计量，检验基于波动率测量误差的波动率预测模型是否仍有更好的预测效果。　　4)模型选用1天、一星期、两星期三个预测期。由于波动率具有长记忆性和很高的自相关性，因此可以设定相对较长的预测期。另外，模型系数、预测效果改进等也可能与预测期有关。　　5)不仅从统计意义上评估预测效果，还从经济意义上衡量了波动率预测的价值。本文将样本外波动率预测应用于构建资产组合，考察波动率模型的预测是否转化为经济价值。　　6)本文用内地股市的数据估计了方差风险溢价，其他关于方差风险溢价的文章多采用美国或香港市场的数据。关于方差风险溢价的影响因素分析，有文献认为它难以被传统的风险因子解释，国内文献多采用股市本身以及宏观经济指标。本文的影响因素分析则是考虑了期权供需、金融市场风险方面的风险因子。