涉及金融市场内资源分配的决策在很大程度上取决于波动率的计算,提升波动率预测模型的可靠性至关重要。整个金融体系的关键在于资本市场,学者们一般对更容易观察的股票市场研究更多,其中波动率的预测和风险的识别预测以及管理都是热点问题。在股票市场的非系统性风险中,市场风险是大多数投资者关注的焦点。股票市场的市场风险主要来自金融资产价格波动的不确定性,我们通常以波动性来衡量这种不确定性。但由于微观结构的数据存在着大量的噪声,金融研究人员观察到的回报率有时不是真实的回报率,基于传统日历时间结构下高频数据的已实现波动率往往不准确。本文采用了以交易量为时间结构的处理方法对样本数据进行了处理,区别于传统的日历时间数据,对沪深300指数的5分钟高频数据下的已实现波动率进行了预测。本文选择了理论与实证相结合的研究方法。由于国内文献少有对获取到的高频数据进行处理后再分析建模的文献记载,作者主要参照国外研究成熟的理论,即将交易量作为时间结构对波动率进行预测。高频数据的获取给波动率的预测带来了更多的信息,本文实证部分的数据选择了沪深300指数的5分钟高频数据,重新计算了以交易量为时间结构下的收益率,运用了以往文献中表现较好的HAR类模型,传统经典的GARCH类模型,以及基于深度学习的GRU模型进行波动率预测,对波动性的演变提供了一个新的视角。文章发现,当以交易量作为时间结构进行波动率预测时,可以以不同的维度来考虑估计、预测和决策,这与金融市场的实际情况相吻合,高活跃期和低活跃期可以清楚地识别出来。实证结果分析发现,相比传统的时间结构,以交易量为时间结构进行预测,可以从数据中提取其他信息元素,不仅仅是传统的固定时间间隔价格。文章的主要结论有:（1）基于高频数据的波动率预测模型更适用于目前的金融市场,明显好于基于低频数据的波动率预测模型。（2）经过模型比较分析,对数据进行以交易量为时间结构化的处理后,深度学习模型中的GRU模型的对波动率的预测效果更佳。（3）以交易量为时间结构的数据处理方法,经过科学,严谨对比论证,通过了6种损失函数形式以及模型可靠性集测试,DieboldMariamo检验和Giacomini-White检验三种检验方法的测试,发现以交易量为时间结构化的处理后所的得到的新的收益率,更能真实,有效地刻画金融市场,在预测波动率方面有着更佳的表现。证明了这样的度量方法更符合金融逻辑,脱离了传统时间的束缚,是更为真实的“时间维度”,运用新得到收益率所计算的波动率等一系列指标,更准确的量化金融市场活动,是一种较好的用于高频数据降噪的处理方法。（4）构建了基于以交易量为时间结构下已实现波动率的Va R约束投资策略进行验证,取得了较好的效果。