随着高频数据的应用越加普及,在波动率研究中引入高频数据分析也逐渐成为当下的热点之一,应用较多的则是基于混频抽样技术（MIDAS）和GARCH模型而构建的波动率模型,这类波动率模型中采用的MIDAS方法,其权重分配方式只与数据先后顺序有关,并不适合提炼日内高频交易数据的有效信息。原因在于MIDAS方法在不同交易日内赋予权重的模式是相同的,而不同交易日内高频交易过程中的交易特征是实时变化,那些对未来波动率具有更大影响效果的高频交易,其在交易日内出现的时间也不是固定不变的。强行使用MIDAS方法,即在不同的交易日内用一种仅依赖时间间隔先后的固定模式来给高频交易赋予相对应的固定权重,必将导致权重的错配和提炼信息的失真。因此,要想更恰当地提取高频数据中有效信息来预测高低频交易中的波动率,最好采用一种新的数据提炼方法,其权重函数最好能依据数据的交易特征进行自动调整。本文通过引入一类新的自适应权重函数,提出一种契合高频数据波动的新数据提炼方法,来提炼当下高频数据中的有效信息并将其与低频数据相结合,构建一种能充分利用高低频信息的波动模型:MIX-GARCH模型,因新的权重函数为对数形式,故将模型记为MIX-GARCH-L模型。由于新提出的MIX-GARCH-L模型是在原有GARCH模型的基础上进行衍生改进,改变了原有GARCH模型的表达形式,故需要对新模型的参数进行估计。本文给出MIX-GARCH-L模型的参数估计方法,并分析估计量的理论性质,证明出对应的中心极限定理以及用serviceboostrap方法模拟检验估计量的数据表现。新波动模型具有以下优势:（1）与传统权重函数不同,自适应权重函数是根据高频数据的交易特征和数据波动情况来赋予不同的权重,而传统的权重分配方法是根据数据的先后顺序不同而赋予不同的权重。新的权重函数自变量是筛选出能描述高频交易特征的变量,这就使得基于新权重函数的数据融合方法能够更好的按着交易特征来分配不同的权重,这种分配方式能够更好根据交易特征的变动来自动调整不同交易日内的权重赋予,从而使每个高频交易日所分配到的权重与未来波动率产生的冲击效果相一致。（2）新的波动率模型能够利用同一交易过程中多种高频交易数据,信息利用更加充分,会使得MIX-GARCH-L模型具有更好的预测精度和预测优势,本文中的实际应用结果也证明这一点。在分析上证综合指数收益率时,应用多种模型来预测实际数据的波动率,结果显示:MIX-GARCH-L模型能更加准确稳健地预测出波动率,MIX-GARCH-L模型的提出同时也扩充了利用混频数据分析波动率等相关问题的方法。