随着数据储存技术的发展,利用高频数据进行波动率建模成为金融市场的重要研究方向。早期对于高频数据的建模研究一般设定金融时间序列服从正态分布,但实际的金融数据呈现“尖峰厚尾”的现象,因此本文将已实现GARCH模型推广到误差项服从尖峰厚尾分布的情形。在三个不同的行业各选取一支股票,分别利用正态分布、传统偏斜Logistic分布、I类广义Logistic分布(记为GLDI)拟合三支股票实际对数收益率的密度函数,通过图形初步了解金融数据“尖峰厚尾”现象。然后通过峰度检验、偏度检验、K-S正态性检验、K-S GLDI检验四种统计假设检验对三只股票对数收益率的实际分布做进一步判断。经过对比,三支股票的实际对数收益率并不服从正态分布,实际分布呈现尖峰厚尾且偏斜的现象,传统偏斜Logistic分布和GLDI分布拟合实际分布优于正态分布。但是传统的偏斜Logistic分布由于方差及期望并不是显式形式不利于数据分析,直观来看,选择GLDI分布能够较好地拟合实际数据尖峰、厚尾、偏斜的特征。不同于传统偏斜Logistic分布通过偏度系数控制分布的偏斜程度,GLDI分布通过控制形状参数从而达到控制分布的偏度。本文选取了Realized-GARCH(1,1)模型,当误差项分布服从GLDI分布时,在确保杠杆函数期望为0的情况下,对杠杆函数做出适当的修改,并给出了该模型的极大似然估计方法。以2017年9月16日至2019年12月19日合计557个交易日的上证和深证指数每5分钟交易数据作为研究对象,基于两股指的高频数据分别建立了误差项服从标准正态分布的Realized-GARCH(1,1)模型和误差项服从GLDI分布的Realized-GARCH(1,1)模型。利用R软件采用QMLE(拟极大似然估计)对两种模型进行参数估计,在此基础上采用样本外预测的方法进行VaR预测,将处理后的556天数据分为两部分,用前456天的样本来估计Realized-GARCH模型,然后利用估计得出的模型对样本外的100个数据进行VaR预测。利用Kupiec失败率检验法通过LR(极大似然估计量)对两种模型VaR在不同的置信水平下预测的失败率进行比较。结果表明在三种置信水平下,将误差项拓展至尖峰厚尾的GLDI分布的模型相比误差项服从标准正态分布的模型更能准确度量上证和深证的收益风险,并且能形象地刻画上证及深证指数价格波动的杠杆效应。