全文由两部分组成：一股市高频数据的统计特征分析；二利用高频数据估计市场波动和VaR. 这一部分包括两章.第一章讨论股票日内收益的非对称性.关于金融资产收益的非对称性在金融理论与实务中的重要意义已有大量的文献.然而关于非对称检验方法本身却研究甚少.几乎所有这方面的文章都简单的利用偏度系数来判断是否有偏.这种检验方法假设收益服从正态分布，与已知的高频金融数据高峰，厚尾，远离正态的特征不符.为此，我们提出一种新的检验方法：滑动分块自助法.这种新方法对收益序列不做任何分布假设，是一种完全非参数方法，且适合于相依时间序列(收益序列存在或多或少的序列相关性). 第二章讨论股票日内收益模式及超额收益检验.金融经济学者研究发现，许多国际金融市场日内收益呈‘U’型分布，并由此断言存在某种套利交易策略可以获取超额收益.一个重要问题是，这些所谓的超额收益在统计或经济意义上显著吗?在这一章中，我们引入一种新的统计检验方法对沪深股市进行实证分析.结果表明，在目前，我国股票市场日内收益的确存在一种系统模式成U型分布.利用K-最近邻域预测法(这是一种目前广泛使用的非线性，非参数方法被证明在多种金融市场具有较强的预测能力)预测沪深股市两种指数8只个股的15分钟，半小时的价格.虽然这种预测方法看起来具有某种预测能力.能得到高于买入.持有策略的超额收益，然而在统计意义上，这种超额收益并不显著. 第二部分包括两章，讨论利用高频数据估计波动和风险价值.第三章介绍各种波动模型，其中主要讨论日内已实现波动模型尽管高频数据为计算和预测波动提供了更多的信息，然而数据的复杂性也为其带来了不少难题，最重要的一点是如何抽样.在这一章中，我们重点讨论利用三种适合相依时间序列的的抽样方法估计日内已实现波动. 第四章第一节讨论利用日内已实现波动及其他几种模型估计VaR，主要包括GARCH类模型，历史模拟法(滤波历史模拟法)和极值理论方法.如何评估各种VaR模型是与VaR度量紧密联系的一项任务.在第二节中，我们回顾了目前的各种VaR检验方法，并提出了一种新的检验方法一基于经验似然比的VaR检验方法.与前人的方法相比，这种方法具有如下优点：1.对分布未强加任何假设，是一种非参数方法，因此比参数方法稳健；2.计算简单，易于在实际中使用；3.检验功效强大；4.非嵌套对比检验一检验两种VaR模型是否存在显著的统计差别.这是一个实际使用者很关心的问题，而以前的各种检验方法都只是检验某种VaR方法是否‘合格’，而不能回答两种方法是否‘不同’.最后，我们对沪深股市进行实证分析.结果表明，滤波历史模拟法是最优的VaR估计方法，其次是日内已实现波动模型和非正态GARCH模型，最差的是历史模拟法和无条件极值方法.