本文以经典的跳跃扩散理论为基础,在HAR模型的框架下,区别于传统的仅考虑跳跃幅度的波动率预测模型,我们更进一步,对跳跃强度进行建模,发现加入跳跃强度后的模型对波动率的预测效果具有一定的提升作用,且指数成分股间的共跳强度对波动率的预测改善效果尤为明显。首先,我们利用非参数方法将已实现波动率分解为代表价格连续变化的连续路径样本方差和代表价格剧烈变化的跳跃变差,并通过BN-S单变量跳跃检验方法识别出跳跃成分中真正的跳跃项,接着我们利用BLT方法来识别指数成分股之间是否发生了共跳,在此基础上通过Hawkes过程分别对指数跳跃强度以及其成分股间的共跳强度进行建模,最后以连续样本路径样本方差、跳跃幅度,指数跳跃强度以及成分股的共跳强度作为自变量加入到经典的HAR框架下构建了 HAR-RV-CJ-CJI模型,发现其相比于HAR-RV模型对波动率的预测效果具有明显的改善作用。在决定高频数据的采集频率时,本文采用波动率信号图(VSP)来判别最优取样频率,以达到兼顾数据蕴含的信息丰富度与噪音最小之间的平衡,我们发现区别于国外文献中常用的五分钟高频取样,国内市场更加适合十分钟取样频率。在使用BLT检验法来对成分股间的共跳进行识别时,为了提高共跳的识别精度,本文通过WSD修正因子对已实现波动率的日内效应进行了修正。区别于以往文献中日内效应常呈现“U型”模式,本文发现其更接近于“W型”模式,表现为已实现波动率在早上开盘、中午收盘、下午开盘和下午收盘时明显放大。