金融高频数据在金融市场中的重要地位正逐渐显现，如何处理金融高频数据以挖掘信息成为一个重要的话题。现代投资理论中各种量化模型都涉及到对收益率的条件高阶矩估计问题，包括资产选择，投资组合构建，期权定价等等。一个良好的估计能够帮助投资者做出正确的决策，实现投资目标。在信息技术不断发展，金融市场不断完善的今天，对高频数据的条件异方差估计问题的研究也越来越具有理论和实际意义。　　在条件异方差的研究文献中，GARCH模型占有不可替代的重要地位。Engle在1982年发表的”Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation”一文中提出的ARCH模型，成为了条件异方差估计的一个重要里程碑。随后，Bollerslev在1986年发表的”Generalized Autoregressive Conditional Heteroskedasticity”一文中提出的GARCH模型，成为了目前为止最成功的一类条件异方差模型，吸引了无数研究者的兴趣并在GARCH模型基础上进行了若干推广与变形，以解决各种各样的实际问题。还有一些学者研究了GARCH模型的稳健估计，以解决误差分布在厚尾情形下拟极大似然估计(QMLE)的收敛性受到影响的问题。　　随着高频数据的关注度不断提升，不少研究者开始致力于研究如何利用高频数据进行条件异方差估计。已经有研究者证明GARCH模型在误差厚尾情形下的QMLE不具有渐近正态分布和√n收敛速度。因此，本文对两类针对高频数据的条件异方差模型，高频数据的PGARCH和混杂GARCH模型，分别提出了M估计和LAD估计，并证明了其在较弱假设下的渐近正态性和√n收敛速度。　　第二章提出了高频数据的PGARCH模型的M估计，并证明了其强一致性与渐近正态性。通过蒙特卡罗模拟与对沪深300指数股指期货的实证分析发现，采用高频数据的PGARCH模型比普通PGARCH模型有着明显的优势。这说明高频数据确实包含了日数据中不含有的信息，且高频数据的PGARCH模型能够有效地将高频数据包含的信息挖掘出来。　　第三章提出了混杂GARCH模型的LAD估计，并证明了其强一致性与渐近正态性。混杂GARCH模型可以有着灵活多变的形式，通过对混杂过程Ht的不同选择可以获得不同的模型形式。LAD估计在理论上比QMLE估计只需要更弱的假设条件，从而提高模型参数估计的精度。　　第四章提出了一种全新的投资组合构建方法，并利用实际金融数据进行实证分析，说明该方法的有效性。该方法是结合高频夏普指数与MV-SIS方法进行资产选择与投资组合构建。利用A股市场的实际数据进行实证分析发现，该方法具有良好的表现，能得到可观的超额收益。利用第三章的混杂GARCH模型对构建的投资组合进行VaR估计的实证分析中发现，LAD估计在极端情形下也有着良好的表现。故认为混杂GARCH模型的LAD估计是一个良好的稳健估计。