金融市场一直处在变化之中,我国经济开始与国际接轨,全球经济的联系也越来越紧密,因此金融市场中的波动率也成为衡量经济发展的重要指标。波动率就是风险的体现,对于投资者而言,估计风险才能更好地在市场中进行投资决策和资产组合的选择。随着理论的不断发展,对于波动率的衡量也有了众多的模型和方法,而研究金融市场的波动率也成为了一个重要课题。本文在GARCH-MIDAS的基础上提出了一种新的预测方法,即将经验模态分解方法应用到了股票市场波动率的预测分析中,将经验模态分解方法得到的低频分量和残差项结合作为代表波动的长期趋势项,建立了新的模型。另一种方法是将原始时间序列通过经验模态方法进行分解后,将不同的分量加和形成高频分量和低频分量,残差项保持不变,分别对高频分量、低频分量和残差项采用不同的方法进行预测,将得到的预测结果加和起来得到总的预测值。最后使用模型平均的方法将多个模型组合成了一个综合模型,并对不同模型的预测结果进行了比较分析,同时在应用中对VaR进行了估计。实证结果表明,IMF-GARCH模型相比于GARCH-MIDAS模型预测的精度更高效果更好,并且在模型中序列一的精度最高;而基于EMD方法的预测模型相较于IMF-GARCH模型的预测精度更高。这一点在VaR的估计中也得到了体现,基于IMF-GARCH模型和EMD方法对VaR的估计提高了预测的精度,同时经过模型平均后,综合模型相较于单个模型预测精度也有所提高。综上所述,经验模态分解方法对于金融时间序列的预测是十分有效的。金融数据的非线性特征使得学者不断研究新的模型和方法来进行预测,通过经验分解方法,降低了原始数据中的噪声,对于把握金融波动的特征有所帮助。这为今后研究金融市场中的波动规律提供了一种新的思路和方法。