波动率一直以来是衡量金融市场的重要因素。由Andersen和Bollerslev等（1998）,Barndorff-Nielsen和Hansen等（2008）,高频日内数据在度量和预测方差、协方差中体现了超越日数据的优势,且波动率和收益率相互关联,由此产生一个自然问题:如何利用高频数据改进金融资产日收益率及其波动率的构建和预测?同时,行为金融学认为投资者的决策行为将使得资产价格与内在价值不符、产生市场非有效的现象,迄今为止有大量文献得到股票市场诸多特征如价格、收益率和波动性会受到投资者情绪（Investor Sentiment,IS）的影响。在处于大数据的环境下,人们对于不同频率数据的使用需求越来越高,已经不只是局限于同一频率数据的使用。在这个背景下,混频数据抽样（Mixed Data Sampling,MIDAS）模型被提出。该模型不仅关注低频数据,更关注高频数据中的信息,充分利用两类数据,从而提高拟合和预测的精准性和可信度,使得结果更贴近现实。Gorgi、Koopman和Li（2019）提出了基于广义自回归得分（Generalized Autoregressive Score,GAS）的混频数据抽样（Mixed Data Sampling Generalized Autoregressive Score,MIDASGAS）因子模型,利用混频数据采样加权方法对高频变量的得分贡献进行变换。该动态模型利用高频变量的实时信息,为低频时间序列变量的预测提供了一个灵活、易于实现的框架。实证研究中验证了MIDAS-GAS因子模型对美国整体通货膨胀和GDP增长在点和密度预测方面都优于竞争模型。综上,本文利用已实现波动率测度（Realized Volatility,RV）,纳入投资者情绪指数,设定得分驱动波动率更新项,构建MIDAS-GAS因子波动率模型,以期充分利用由高频数据提供的大量日内信息,提升模型预测波动率的准确性。采用2017年7月13日到2020年8月28日的沪深300成份股的5分钟高频数据作为实证数据,分析加入已实现波动率、情绪指数的MIDAS-GAS因子模型是否具有更好的预测精度。本文所得理论和实证结果可为金融投资者和风险管理者提供理论参考。本文主要内容包括五章:第一章,首先,简要叙述本文的研究背景及意义。其次,对混频波动率模型、已实现波动率测度和投资者情绪指数对波动率的影响以及投资者情绪指数构建的研究现状进行较为系统的介绍。最后,概述本文的主要内容及创新点。第二章,对本文所使用的GAS、MIDAS和MIDAS-GAS因子模型作了较为详细的介绍。第三章,构建二元MIDAS-GAS因子模型。简述加权极大似然估计方法,并对加权极大似然估计的大样本性质进行证明。最后在误差分别服从正态分布和t分布下,分别对一元和二元MIDAS-GAS因子模型做蒙特卡洛模拟（Monte Carlo Simulation）,比较不同模型条件方差的预测精度。第四章,实证分析。以我国沪深300成份股为背景,阐述已实现波动率测度和投资者情绪指数的构造过程,并探究两个因素对金融资产波动率的影响。使用加权极大似然估计方法估计参数,并且利用SPA检验比较MIDAS-GAS-RV、MIDAS-GAS-IS和MIDAS-GAS-RV-IS三个波动率模型在预测上的表现。第五章,对本文的主要结论进行系统概括,需要进一步研究的课题进行总体展望。