金融波动率序列的建模和预测一直是学术界研究的热点,也是金融市场关注的核心问题。金融波动率序列的重要特征之一即自协方差系数缓慢衰减,关于这一特征产生原因,主流的解释是数据生成过程为长记忆或结构变点。然而,针对不同的数据生成过程,预测策略的表现是不尽相同的。本文针对只单独存在长记忆或结构变点的情况和长记忆与结构变点共存的情况,分别提出预测方法。针对前者,本文采用基于判别检验的预测方法,针对后者,本文提出一种数据驱动的基于交叉验证两步法预测的策略,即首先对序列基于指数加权移动平均建模,然后利用长记忆建模去抓取残差序列中可能存在的长记忆成分。通过大量模拟分析验证,本文得出结论:这两种方法在有限样本下的预测效果较经典主流的方法均有所提升。最后,本文通过对沪深300指数日内高频收益率数据的对数赋权双次幂变差序列进行实证分析,进一步验证了在长记忆与结构变点共存的情况下,相比传统的方法,本文提出的两步法的预测效果更好。结合模拟与实证结论,本文发现:1)在单独存在长记忆或结构变点的情况下,基于判别检验的数据结构判别工作能明显提升模型最终预测效果。2)在长记忆与结构变点共存的情况下,基于交叉验证的两步法在预测效果上明显优于传统预测方法。