金融资产价格跳跃对资产收益率波动的估计和预测,期权定价,市场风险测度与管理以及资产配置等会产生直接或者间接的影响。目前,金融资产价格跳跃行为的研究已经取得了较为显著的成就,主要表现在：从使用低频数据(日度、周度、月度数据)逐渐转为使用(超)高频数据(分时数据、分笔数据、逐笔交易数据)；从参数方法(GARCH-JUMP、SV等模型)逐渐转为非参数方法(如BNS研究体系、TMPV研究体系)；从不考虑微观结构噪声到逐渐考虑市场微观结构噪声对跳跃行为的影响；从单独考虑信息冲击或者流动性冲击逐渐到统筹考虑二者对跳跃行为的冲击。在此基础上,本文基于预平均思想和Anderson、Bollerslev、Frederiksen等人(2010)的日内跳跃行为检验(简称ABF日内跳跃检验)思路形成了适用于(超)高频金融数据的日内跳跃行为检验方法,同时基于宏观经济信息、流动性信息及其滞后信息这三方面信息建立跳跃行为引发机制理论模型,形成了关于跳跃行为相对完整的分析框架。最后,使用上证50指数及其成分股超高频数据对中国股票市场的跳跃行为进行了实证分析,研究结果对监管者和投资者都有较强的实用价值。本论文的主要研究内容为：(1)本论文从跳跃检验和引发机制两个方面对国内外关于跳跃行为的相关研究(包括理论研究和实证研究)进行了梳理,总结了已有研究的不足之处,主要表现在：①对跳跃行为检验主要集中在日间跳跃行为的研究,对日内跳跃行为研究较少；②对金融数据利用不充分(多为5分钟及更低频率的数据)；③对跳跃行为引发机制的研究,要么仅考虑宏观经济信息冲击或者流动性冲击其中之一,要么不考虑二者的滞后信息。(2)论文结合ABF日内跳跃检验、Christensen等(2014)、赵华(2014)等人的研究,从跳跃行为的检验和引发机制两个方面形成了适用于(超)高频金融数据的跳跃行为研究框架：在跳跃行为检验方面,基于预平均方法估计已实现波动和二次幂变差,结合ABF日内跳跃检验形成日内跳跃行为检验方法；对于跳跃行为引发机制,综合考虑宏观经济信息、流动性信息以及这两种信息的滞后信息等三方面信息建立从个股数据模型角度和混合数据模型角度建立基于Logistic的跳跃行为引发机制理论模型。(3)使用上证50指数及其成分股超高频数据对跳跃行为进行检验,并对跳跃行为的分布特征进行分析,主要包括基本分布特征、周内分布特征、月分布特征及日内分布特征等方面。总体上讲,中国股票市场跳跃行为时常存在,呈现出单个交易日可能存在多次跳跃行为,跳跃次数基本上都维持在5次以内,但仅发生一次跳跃的概率相对更大；正负跳跃分布不对称、正跳跃发生概率远大于负跳跃发生的概率；跳跃强度在各个月份和各个行业之间变化较大；除农林牧渔业呈现“L”形分布特征外,其他行业跳跃行为均呈现“U”形分布特征；上午10：00至下午14：50这段时间跳跃强度分布较为均匀,跳跃强度及其变化相对较小。(4)使用宏观经济信息和流动性信息及其滞后信息这三方面信息,从个股数据模型角度和混合数据模型角度进行跳跃行为引发机制的研究。研究表明,相对于宏观经济信息冲击,流动性冲击引起跳跃的机会更多,宏观经济信息发布、流动性冲击与跳跃行为发生同步性较强；CPI、PPI、M2、PMI等宏观信息的发布以及深度、宽度等6个指标容易引起成分股价格产生跳跃行为；CPI、IO、M2、PMI等4个宏观经济指标对上证50指数跳跃影响显著,一般在信息发布之后10分钟到30分钟能够完全做出反应；除了金融业外,其他7个行业都只对部分信息(包括宏观经济信息和流动性信息)做出反应；CPI、M2、PMI与各个行业跳跃行为息息相关；流动性冲击对跳跃行为引发机制模式在各个行业之间虽相似但各不相同,宽度引起跳跃的可能性相对更大本文的创新之处主要体现在两个方面：(1)形成了适用于(超)高频金融数据的日内跳跃行为研究框架,包括对日内跳跃行为的检验和引发机制研究两个方面,对实证结果的分析也更加深入和精细化。具体表现在：①使用包含市场交易信息最丰富的超高频数据进行日内跳跃检验,对检验结果从基本分布特征、周内分布特征、月分布特征、日内分布特征等多视角进行分析。②考虑了宏观经济信息和流动性信息及二者滞后效应等三方面影响因素,分别从个股数据模型角度和混合数据模型角度建模进行引发机制的探讨。对模型结果不仅从整体上进行分析,而且从行业角度进行探讨跳跃行为的引发机制。总体上来说,对引发机制的研究更加全面。(2)对关键参数θ的选择,我们使用股票市场数据从BV’与RV’的平均比率和偏差平方均值两个角度进行比较分析,得出：在中国股票市场上,0.8-2都是θ的合理选择区间。在进行实证分析时,设定θ等于0.8、1、1.5三种情况进行敏感性分析,为了防止平滑不足或者过度平滑等造成的不利影响,综合考虑,在进行日内跳跃行为检验时将θ设定为1。