高频数据的分析
高频数据分析在股票市场波动预测与交易策略优化中的应用
高频数据分析在股票市场波动预测与交易策略优化中的应用股票市场作为金融市场的一种重要形式之一，在经济活动中扮演着举足轻重的角色。
投资者们希望能够准确预测股票市场的波动，并据此优化自己的交易策略，以获取更高的收益。
在数字化时代，高频数据分析成为实现这一目标的重要工具之一。
通过对高频数据的分析和挖掘，投资者们可以更好地理解市场的变化和趋势，从而制定更加有效的投资策略。
高频数据是指在更短的时间间隔内进行记录和更新的数据，如分钟级或秒级。
相比于传统的日线数据或者周线数据，高频数据能够提供更加精细和准确的市场信息，有助于投资者更好地理解市场的运行机制。
首先，高频数据分析可以协助投资者预测股票市场的波动。
通过对市场交易数据的实时监控，投资者可以观察到市场的短期行情波动，并利用这些信息来预测未来市场的动向。
例如，投资者可以通过对股票价格和交易量的高频监测，分析市场的趋势和特征，并进而做出相应的交易决策。
其次，高频数据分析可以帮助投资者优化交易策略。
投资者往往面临多重选择，在制定和执行交易策略时需要考虑众多因素。
通过对高频数据的分析，投资者可以更加准确地把握市场的变化，从而做出更加理性和有效的交易决策。
例如，投资者可以利用高频数据分析中的算法模型，优化买入和卖出时机的选择，以最大化投资效益。
与传统的基于日线或周线数据分析相比，高频数据分析具有更高的精度和效益。
高频数据能够更准确地反映股票市场的短期变动，提供更多的交易机会和市场信息。
通过对高频数据进行分析，投资者可以更好地把握市场的脉搏，及时作出相应的交易决策。
在实际应用中，高频数据分析需要投资者具备一定的专业技术和分析能力。
投资者应该具备良好的数据分析能力，能够理解和应用高频数据背后的统计模型和算法。
此外，投资者还需要关注数据的质量和完整性问题，确保分析结果的有效性和可信性。
虽然高频数据分析在股票市场中有较大的应用潜力，但也面临一些挑战和限制。
首先，高频数据的处理和分析需要比较强大的计算和存储能力。
dbs中的高频和低频划分标准
dbs中的高频和低频划分标准
在DBS（数据库系统）中，高频和低频的划分标准通常取决于具体的应用场景和数据访问模式。
以下是一些常见的划分标准：
1. 访问频率：根据数据被访问的频率来划分。
高频数据通常是那些经常被查询、更新或事务处理涉及的数据，例如活跃用户的信息、热门商品的销售记录等。
低频数据则是较少被访问的数据，例如历史订单、过期的库存记录等。
2. 数据新鲜度：根据数据的新鲜程度来划分。
高频数据通常是那些需要及时更新的数据，例如实时交易数据、最新的库存水平等。
低频数据则是相对较为静态的数据，例如历史统计数据、长期趋势分析等。
3. 业务重要性：根据数据对业务的重要程度来划分。
高频数据通常是那些对业务运营和决策至关重要的数据，例如关键业务指标、核心业务流程的数据等。
低频数据则是那些对业务影响较小或仅用于辅助分析的数据。
金融交易中的高频数据建模与分析方法研究
金融交易中的高频数据建模与分析方法研究随着金融市场的快速发展，高频交易已成为金融交易领域中的重要组成部分。
高频交易通过使用计算机算法实现快速的买卖决策，利用微小的价格波动获取利润。
这种交易方式产生的大量高频数据对金融学家和交易员来说是一项宝贵的资产，因为它们包含了市场的实时动态和价格趋势。
本文将研究金融交易中的高频数据建模与分析方法。
首先，我们将介绍高频数据的特点和应用。
然后，我们将讨论高频数据的建模技术，包括时间序列模型、随机波动模型和机器学习方法。
最后，我们将重点介绍高频数据的分析方法，包括量化交易策略、统计套利和市场微观结构分析。
高频数据的特点和应用高频数据是以非常短的时间间隔记录的金融市场数据。
它们通常以每秒、每分钟或每小时的频率记录价格、交易量和其他相关指标。
与传统的日频或更低频率数据相比，高频数据更具有实时性和精细度。
这种数据的特点使得其在金融交易中的应用变得更加广泛。
一种最常见的应用是高频交易。
高频交易以其快速的交易速度和精确的买卖决策而闻名。
交易员可以使用高频数据来开发和测试交易策略，并据此进行交易决策。
高频交易有助于提高交易效率和市场流动性，但也引发了一些争议和监管关注。
另一种重要的应用是量化交易策略。
量化交易依赖于数学和统计模型来识别市场价格的模式和趋势。
高频数据可以提供更详细和精确的市场信息，从而为量化交易策略提供更强的预测能力。
这些策略可以用于股票、期货、外汇等各种金融产品的交易。
高频数据的建模技术高频数据的建模是分析和预测金融市场的关键步骤。
建模技术可以帮助我们理解市场的动态，发现隐藏的规律和趋势。
以下是几种常见的高频数据建模技术：1. 时间序列模型：时间序列模型是一种用于分析时间相关数据的经典方法。
它可以捕捉到数据中的季节性、趋势和周期性。
常用的时间序列模型包括ARIMA模型、GARCH模型和VAR模型。
这些模型可以用于预测市场价格的未来走势。
2. 随机波动模型：随机波动模型主要用于研究金融市场中的波动性。
金融领域中的高频交易数据分析与预测方法
金融领域中的高频交易数据分析与预测方法在金融市场中，高频交易数据的分析与预测对于投资者和交易员来说至关重要。
高频交易数据以其高频率的产生和更新速度，以及敏感性和代表性的特点，为金融市场的参与者提供了更准确、实时的信息。
通过分析这些数据，交易者可以了解市场的动态，制定正确的交易策略，并预测未来的趋势。
高频交易数据分析的目标是挖掘数据背后的规律和信号，以便获取有关市场走势、价格变动和交易机会的信息。
以下是一些常用的高频交易数据分析方法：1. 市场微观结构分析：这种方法通过研究市场的微观结构，例如限价单和市价单的成交和撤单情况，来分析市场参与者的行为和偏好。
通过观察市场的流动性和成交量等指标，可以了解市场的供需关系和价格走势。
2. 时间序列分析：时间序列分析旨在通过统计模型和算法，对历史市场数据的模式和趋势进行建模和预测。
常用的时间序列分析方法包括移动平均法、指数平滑法和自回归移动平均法等。
这些方法可以帮助投资者识别市场的周期性和趋势性，并进行合理的预测。
3. 机器学习算法：机器学习是一种通过让计算机从数据中学习和发现模式的方法。
在金融领域中，机器学习算法可以用于预测市场走势、交易机会和风险事件等。
常用的机器学习算法包括决策树、支持向量机和神经网络等。
通过训练算法模型，并利用历史数据进行模型的验证和优化，可以提高分析和预测的准确性。
4. 统计套利策略：统计套利策略是基于统计方法和概率模型进行的交易策略。
在金融市场中存在着一些统计性价格规律，例如均值回归和价差收敛等。
通过利用这些规律，交易者可以进行套利交易，获取稳定的收益。
统计套利策略通常需要大量的历史数据和复杂的计算模型，以便做出准确的决策和预测。
除了高频交易数据分析，预测未来的市场走势也是投资者关注的重点。
以下是一些常用的高频交易数据预测方法：1. 时间序列预测：时间序列预测是指根据历史市场数据的模式和趋势，预测未来的价格走势和交易机会。
时间序列预测方法包括自回归移动平均模型、指数平滑模型和季节性模型等。
第十一章 (超)高频数据的建模与分
xi = ψ iε i
上海财经大学 统计与管理学院 4
ACD模型的扩展 ACD模型的扩展
对数ACD模型（LOG-ACD） 门限ACD模型（TACD） FIACD模型
上海财经大学 统计与管理学院 5
§11.3 交易持续期的集聚性
持续期的集聚性是指，往往在一段时间内交 易比较频繁，而在另一段时间内交易却比较 平淡，也就是说短的持续期后面往往跟随着 短的持续期，长的持续期后面往往跟随着长 的持续期。
上海财经大学 统计与管理学院 6
§11.4 UHF-GARCH 模型 UHFACD模型只是对超高频时间序列中的交易时间建 模，但是，根据前面对超高频时间序列的定义， 它还包括交易价格这一重要的标值变量。价格传 递着重要的市场信息，所以，对于超高频时间序 列，还必须对交易价格或收益率来建模，充分揭 示价格的成形过程，理解价格形成机制。 同交易持续期一样，收益率也存在日内周期性变 化的“日历效应”，同样可以采用线性样条函数 来消除这种日内周期性的特征，消除“日历效应” 后得到超高频收益率 rt 。
（超）高频数据的建模与分析简介
近年来，随着对金融市场微观结构研究的深入，人们对日内金融数 据的时间序列研究产生了极大的兴趣。日内金融数据通常分为两类， 一类是高频数据，该类数据是在某交易日内以固定的时间间隔采集 的数据；另一类数据，是根据市场事件（比如：发生一次交易，价 格变化一个给定的值或交易量变化一个给定的值等）到达的时间逐 笔（ transaction by transaction）记录下来的数据，我们称这类数据 为超高频（Ultra-High-Frequency，简称UHF）数据，此类数据与传 统的时间序列数据的最大不同是其认为市场事件的到达是一个随机 过程，因此记录数据的时间间隔也是随机的。 金融高频数据的分析一直是一个备受瞩目的焦点，金融高频数据的 分析对于理解市场微观结构、指导投资者实践具有非常重要的意义。
统计学在金融市场中的高频数据分析方法
统计学在金融市场中的高频数据分析方法在金融市场中，高频数据分析是一项关键的任务。
通过对高频数据的分析，可以帮助投资者和交易员更好地理解市场的变化和趋势，并作出准确的投资决策。
统计学是一种强大的工具，可以用于分析金融市场中的高频数据。
本文将介绍一些统计学在金融市场中的高频数据分析方法。
一、高频数据介绍高频数据是指在很短的时间内采集的数据，通常以秒为单位。
这些数据包括股票、期货、外汇等金融市场中的价格、成交量等信息。
相比于低频数据，高频数据更加精细和敏感，可以更好地反映市场的瞬时波动。
二、统计学在高频数据分析中的应用1. 时间序列分析时间序列分析是统计学中的一个重要方法，在高频数据分析中也得到了广泛的应用。
通过对时间序列数据进行建模和预测，可以揭示出市场的周期性、趋势性以及季节性等特征，为投资者提供决策依据。
常用的时间序列分析方法包括ARMA模型、ARIMA模型等。
2. 波动性分析波动性是金融市场中的一个重要指标，可以帮助投资者评估资产的风险水平。
在高频数据分析中，可以使用统计学方法对波动性进行测量和分析。
常见的波动性测量方法包括历史波动率、隐含波动率等。
3. 高频数据处理由于高频数据的精细性，往往会出现数据问题，如缺失数据、异常数据等。
统计学提供了一些方法来处理这些问题，例如插值法、滤波法等。
通过对高频数据进行处理，可以提高数据的准确性和可靠性。
4. 事件研究事件研究是一种常用的方法，用于研究特定事件对金融市场的影响。
在高频数据分析中，可以使用事件研究方法来分析特定事件对市场的影响程度和持续时间。
通过事件研究，可以帮助投资者更好地把握市场的变化和机会。
5. 机器学习算法机器学习是一种利用统计学习方法来构建模型和预测的技术。
在高频数据分析中，可以使用机器学习算法来挖掘数据中的模式和规律。
常见的机器学习算法包括支持向量机、随机森林等。
通过机器学习算法的应用，可以提高对高频数据的理解和预测能力。
三、案例分析为了更好地说明统计学在金融市场中的高频数据分析方法，我们以股票市场为例进行案例分析。
统计学在金融市场中的高频数据分析技术
统计学在金融市场中的高频数据分析技术随着信息技术的快速发展，金融市场的交易数据以高频率产生，对投资者和交易员来说，如何从海量的数据中准确地获取有效信息并做出正确的决策变得尤为重要。
统计学作为一种重要的分析工具，为金融市场提供了高频数据分析技术，帮助投资者和交易员更好地理解市场行为、进行风险管理和优化投资组合。
一、高频数据的定义及特点高频数据是指以秒级或更短时间间隔记录的金融市场数据，主要包括股票、期货、外汇等交易品种的价格、成交量、订单簿等信息。
相比传统的日线或分钟线数据，高频数据具有以下特点：1. 高精度：高频数据能够提供更准确、更详细的市场情况，尤其是对于价格变动的瞬时反应能力更强，可以帮助投资者及时把握市场机会。
2. 高频率：相较于传统数据，高频数据以更快的速度更新，投资者能够更及时地获取市场动态。
高频数据的快速更新速度也带来了更多的噪音，需要使用统计学方法进行有效的数据处理和分析。
3. 数据量大：由于高频数据的记录频率高，数据量大、速度快，需要强大的计算和储存能力来处理和存储这些数据。
二、高频数据分析的方法为了从大量的高频数据中提取信息、分析市场行为并进行决策，统计学提供了一系列的方法和技术。
以下是几种常见的高频数据分析技术：1. 均值回归模型：均值回归模型是一种基于时间序列的统计模型，通过对高频数据的历史价格变动进行分析，寻找价格异常波动的规律，根据均值回归的思想进行交易决策。
2. 协整分析：协整分析是一种通过寻找两个或多个变量之间的长期稳定关系的方法。
在金融市场中，通过协整分析可以找到股票、期货等资产之间的稳定关系，进而构建配对交易策略。
3. 时间序列模型：时间序列模型可以帮助投资者对高频数据进行建模和预测。
常用的时间序列模型包括ARMA、ARIMA、GARCH等，通过对历史数据进行拟合和预测，帮助投资者获取市场趋势和价格波动的信息。
4. 非参数检验：非参数检验是一种能够克服数据分布假设限制的统计方法，通过对高频数据的非参数分析，可以更准确地发现市场的非线性特征和异常情况。
金融交易高频数据的处理与分析技术研究
金融交易高频数据的处理与分析技术研究随着金融市场的迅速发展和技术的不断进步，金融交易的高频数据处理与分析已经成为了金融业界的一个热门话题。
高频数据是指以秒或毫秒为单位的时间间隔内产生的金融交易数据，包括股票、期货、外汇等市场的实时市场数据、订单簿信息、交易记录等。
由于高频数据的快速生成和大量的信息量，传统的数据处理和分析方法往往无法处理这些数据，因此需要专门的技术研究来解决这一问题。
高频数据的处理主要包括数据清洗、数据压缩和数据存储三个环节。
首先，数据清洗是指对原始数据进行预处理，包括去除错误数据、填补缺失数据以及处理异常值等。
由于高频数据的特点是数据量大、变动频繁，容易出现质量问题，因此在处理之前需要对数据进行严格的检查和筛选，确保数据的准确性和完整性。
其次，数据压缩是指将清洗后的数据进行压缩处理，以减少数据的存储空间和传输带宽。
由于高频数据的量级大，传统的存储方式往往难以满足需求，因此需要使用一些高效的压缩算法来减少数据的存储成本。
最后，数据存储是指将压缩后的数据存储到数据库或文件系统中，以供后续的分析和挖掘使用。
由于高频数据的更新速度快，需要能够快速写入和读取数据的存储方式，以保证实时性和稳定性。
在高频数据的分析方面，主要涉及到数据挖掘、时间序列分析和机器学习等技术。
首先，数据挖掘是指从大量的数据中挖掘出有价值的信息和模式。
对于高频数据而言，可以通过数据挖掘技术来发现隐藏在数据中的交易规律和趋势，从而帮助投资者进行决策和策略制定。
其次，时间序列分析是指对时间上连续的数据进行建模和分析。
由于高频数据具有很强的时间相关性，可以通过时间序列分析方法来预测未来的价格变动和波动情况。
最后，机器学习是指通过对历史数据的学习和训练来构建模型并进行预测和决策。
对于高频数据而言，可以通过机器学习算法来发现隐藏的模式和规律，并进行预测和交易决策。
在实际应用中，高频数据的处理与分析技术已经被广泛应用于金融交易、风险管理和量化投资等领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第30卷第3期财经研究Vol. 30 No. 32m4年3月Journal Of Finance and Economics 、了· 2004．蠶獼罎与常宁l ,徐国祥2（1 ·上海财经大学统计学系，上海2m433； 2·上海财经大学应用统计研究中心，上海200433）摘要：近年来，在西方国家对金融高频数据的分析已成为实业界和学术界的热点问题和难点问题。
本文讨论了金融高频数据的概念和特征，分析了对高频数据分析的基本动因，阐述了金融高頻数据分析已涉及的主要领域，探讨了金融高频数据分析中遇到的问题。
最后，还对金融高频数据分析的发展趋势作出了展望并探讨了我国在这一領域应用研究的重占关饢词：金融市场；证券市场；金融高频数据分析；市场微观结构中图分类号：F830· 91文献标识码：A文章编号：1佣1一9952（2m4）03m031m9、金融高频数据及其特征分析1 ·什么是金融高频数据近年来，计算工具与计算方法的发展，极大地降低了数据记录和存储的成本，使得对大规模数据库的分析成为可能。
所以，许多科学领域的数据都开始以越来越精细的时间刻度来收集，这样的数据被称为高频数据（hig frequen一 cy data)。
金融市场中，逐笔交易数据（transaction-by-transaction data)或逐秒记录数据(tick-by-tick data）就是高频数据的例子，值得注意的是这里的时间通常是以“秒”来计量的，具体如NYSE(New York Stock Exchange)的交易与报价数据库(Trades and Quotes）所记录的从1992年至今的NYSE、NASDAQ和AMEX(American Exchange)的全部证券的日内交易和报价数据、rkeley期权数据库所提供的1976年8月至1996年12咒的期权交易数据、以及美国外汇交易HFDF93数据库中德国马克一美元的现汇交易报价数据等，都是金融高频数据。
2．金融高频数据的主要特征收穰日期：2m3彐2m8作者简介：常宁（1973一），女，陕西西安人，上海财经大学统计学系教师，经济学博士；徐国样（1960一），男，上海人，上海财经大学应用统计研究中心主任，统计学系教授，博士生导师。
财研兜2004耸与传统的低频率观测数据（如周数据、月度数据等）相比，按照更短时间间隔所取得的金融高频数据呈现出了一些独有的特征，正是这些特征，诱发了人们对金融高频数据分析的日益浓厚的兴趣。
以NYSE的交易数据为例，金融高频数据主要有四个特征：第3期一是数据的记录间隔不相等，因为市场上某只股票的交易并不一定以相同的时间间隔发生，这样所观测到的交易价格等变量的时间间隔就不相等；二是所记录的价格数据是离散变量，如在NYSE中，某项资产的价格变动只以计量单位tick血的若干倍而发生，这样所记录的逐项交易价格就变成了一个离散取值的变量；三是数据存在日内周期模式，在正常交易条件下，NYSE的交易量往往在每一天的开盘时间和收盘时间附近较大，而在午饭时间左右较小，形成了一个“ U”型的模式，随之而来的，是交易与交易之间的时间间隔在一天内也呈现出了循环模式的特征；四是多笔交易同时（甚至是以不同的价格）发生，这种现象部分归因于在每天交易量较大的时候，以秒来计量时间都成为一个太长的时间刻度了。
、金融高频数据分析研究的现状1·金融高频数据分析的基本动因从金融高频数据产生至今，对金融高频数据的分析一直是金融研究领域中一个倍受矚目的焦点。
这可以归结为两个原因：一个是由于对金融高频数据本身所具有的特征值的关注。
通常所指的交易数据，除了交易价格外，还包括与交易相连的询价和报价、交易数量、交易之间的时间间隔、相似资产的现价等等，因此，对于金融高频数据的分析，实质上是一个关于“以不同时间间隔观察到的、具有不规则强度、既有离散变量又有连续变量的”复杂多变量问题。
这样如何从总体上来分析金融高频数据、又如何处理具体金融交易中高频数据的特殊性，便成为众多金融领域的从业者和研究者所面临的一个有趣而又富有挑战性的课题。
另一个是因为金融高频数据对理解市场的微观结构来说相当重要。
对金融高频数据的逐步积累和了解，不仅转变了一些陈旧的研究理念，如以前认为短期的价格波动是不相关的噪音并且不值得去搜集，但现在我们知道高频数据中的这种波动恰恰包含着理解市场微观结构的重要信息；而且随着对金融高频数据统计特征认识的深化，也使先前一些关于如金融市场同类性（homo一geneous)、短期价格波动服从高斯随机游程(gaussian random walk)的古典经济假定受到了质疑。
不难看出，在探寻金融市场微观结构的过程中，需要对基础经济理论、研究方法和计量模型等进行不断地创新和完善，而金融高频数据及其分析的出现则正好为这些转变的实践提供了条件。
常融2·金融高频数据分析已涉及的主要领域尽管人们对金融高频数据分析研究的历史并不长，但是目前的发展状况却着实令人鼓舞。
众多学科的研究者对此都表现出了极大的兴趣，分别从各自不同的角度对金融高频数据进行了探索和研究。
已有研究所涉及的内容之广令人无法一一穷尽，所以我们在此以金融高频数据研究的四个主要分支为脉络，有所侧重地阐述一些具有代表性的研究内容。
第一个分支是关于金融高频数据库的研究。
其中Robert wood是创建研究市场微观机构（金融高频）数据库的先驱。
在他的文章（2000）中，wood 不仅从对金融市场微观结构研究的初衷、对结构数据的基础检验、TAQ数据库的组织形式和特征等角度对金融高频数据库的发展历程做了介绍，而且还讨论了金融高频数据量（如NASDAQ报价数据等）的快速增长趋势以及这种数据量的增长宁、国祥：金高频数据分析的现状与问题研究趋势在市场结构研究中的应用问题。
这些内容对于了解金融高频数据库的组织结构、形式和数据特征来说都是非常必要的。
第二个分支是关于金融高频数据分析应用于对市场微观结构分析的研究。
在这个领域中，最初的文献是关于日内（intra一day）收益与波动性时间序列的模式的研究，如Wood（1985）、H”ris（1986）、Lockwood, Linn(1990)和McNish（1993）等是最早一批对NYSE高频交易数据进行研究的人，而Goodhart、Figliouli(1991)和Guill me（1994）等人则是最早对外汇市场的高频交易数据进行研究的先驱。
此后，便陆续不断地有许多文章对日内金融市场数据的行为特征作了更深入的研究。
从Goodhart和O' Hara（1997）所做的有关研究文献纵览中可以看出，基于金融高频数据对市场微观结构所作的实证研究主要集中于以下几个方面：（1)对金融市场交易数据观测时间间隔特征的研究；（2）对交易数据如波动性、交易量与价格差额之间交互作用的研究；（3）对价格差额的决定因素的研究；（4）对金融高频数据的波动性及其记忆的研究；（5）对促使价格变动的交易的研究；（6）对收益、报价等交易数据中的自相关性以及收益、报价、交易与交易之间的横向相关关系的研究；（7）对金融高频数据的季节性与非线性特征的研究；（8）对金融市场的技术分析和市场效率的研究；（9）对不同金融市场（如证券市场与衍生证券市场）之间联系的研究等等。
最近几年，关于对市场微观结构的实证研究在深度和广度方面又有了新的进展，其中尤其以对股票市场高频数据的分析最具代表性。
主要有用高频交易数据对不同交易系统（如NYSE的公开喊价系统与NASDAQ的计算机交易系统）在价格发现中的效率进行比较；用高频交易数据对某一个特殊股票研年第3期2004的报价与询价的动态性进行研究（如Hasbrouk, 1999；Zhang,Russell和 Tsay，200D；在一个订单驱动的股票市场（如台湾股票市场）中，高频交易数据被用于研究订单的动态性以及回答“是谁提供了市场的流动性"问题。
此外还有HOI和Koopm （2002）用s & P500的高频数据对股票指数的波动性进行了预测研究；Ilerslev、Zhang（2003）将股票市场的高频交易数据应用于对因素定价模型(factor pricing models)中系统风险因素的计量和建模等一系列的相关研究。
第三个分支是关于金融高频数据分析中所使用的计量模型的研究。
随着金融高频数据的不断增加，如何使用模型来恰当地描述这些数据就成为一个重要的问题。
从计量经济学角度来看，金融高频数据的一个最显著特征是观测值以变动的、随机的时间间隔取得。
该特征隐含着对我们所熟悉的、固定的、等值的时间间隔数据的偏离，也意味着原有的一些深受喜爱的模型，如关于波动性研究的GARCH(Generalized Autoregressive Conditional Heterosce Dasticity)模型、SV(Stochastic Volatility)模型等将不再适用。
与以往大多数的理论模型不同近来计量模型研究的核心内容是交易间Z(intratrade duration）与交易特征值，如收益、询报价差额、交易量等之间的Granger因果关系。
这些模型可以分为两大类：一类是关于交易间隔的模型，它们认为较长的时间间隔意味着缺少交易活动，也代表着一个没有新信息产生的时期，因此时间间隔行为的动态性中含有关于日内市场活动的有用信息。
基于这种观念，Russell和Eng] e（1998）使用了与分析波动性的ARCH模型相似的概念，提出了一个ACD(Autoregressive Conditional Duration)模型来描述（交易活跃的）股票交易间隔的发展过程。
随后，Zhang、Russell和Tsay(2001)对ACD 模型作了扩展，用于分析金融高频数据中的非线性和结构性间隙问题。
另一类是关于交易间隔对交易价格变化的影响的模型，被研究对象的离散性和研究者对于“无变化”的关注，使得对日内价格变化的建模变得困难了。
Campbell、和MacK黼ay（1997）曾对相关文献中所提及的若干计量模型进行了讨论，其中有两个在选择解释变量方面具有优势的模型值得关注。
一个是Lo和MacKinlay( 1992）使用的规则概率模型(ordered probit model)，它将交易的间隔作为一个影响逐秒价格变动概率的回归量、，但是这个模型有其他的一些缺陷；第二个是Rydberg、Shephard(1998)和MacKinlay、Tsay(2000)的分解模型(decomposition model)，作为一种替代方法，它将价格的变动分解为价格变动指数、价格运动方向和价格变动幅度（如果有价格变化）三个部分进行研究；这两个模型的主要区别是后者不需要对价格变化幅度作任何划分。