金融市场是一个充满各种不确定性因素的复杂多维系统。金融资产价格的波动是对资产未来价格走势不确定性的一种度量。对于投资组合而言，组合收益的波动率是由于投资组合中各个资产未来价格走势的不确定性对投资组合风险的累积贡献而形成的。现代投资组合理论中，组合资产收益的波动率反映了投资风险。随着科学技术的飞速发展和计算机的爆发式突破，使得含有更多有用信息的市场高频数据得到越来越多的关注。同时，由于金融数据本身的特殊属性，使得数据的厚尾性特点和偏态分布特征成为一个不容忽视的问题。为此，借助高频数据进行波动率研究成为一个热点，同时开发和研究更加贴近金融数据本身的波动率模型是一种必然。　　本文基于统计学理论，本着不断追求准确统计建模的思想，同时结合作者在基金和券商的实习经历，分别考虑了基于高频数据以及更加贴近市场数据的厚尾偏态分布下，刻画波动率的自回归条件异方差模型。本文给出相应模型的参数估计，并且严格地证明了估计方法的良好统计性质。通过数值模拟的方式，说明对应估计的良好表现。同时利用真实市场数据，考虑了模型以及方法在VaR的应用。　　第一章，首先介绍了本文的研究背景和意义;其次详细地阐述了波动率理论，然后介绍了三种与波动率相关的自回归条件异方差模型;为了更为真切的刻画市场以及充分使用市场信息，我们对高频数据和相应变量进行了基本描述;本章的最后给出了本文的主要研究内容和论文的创新点。　　第二章中使用高频数据构建了“收益率替代”的非平稳的GARCH(1，1)模型，也就是说利用双指数分布的密度函数作为拟似然目标函数，在更弱的残差二阶矩存在的前提下，我们得到了拟极大指数似然估计(QMELE)的一致性和渐近正态性等统计性质。我们给出了相关的数值模拟，同时将我们的方法应用于真实的中国A股市场，结果显示包含更多信息的日内高频数据下的“收益率替代”模型的估计所对应的VaR估计是有效的。　　第三章针对带厚尾似然的DAR模型，使用非高斯拟极大似然估计(NGQMLE)的方法，通过引入外部的函数族来近似拟合未知的残差分布，得到对应的拟合函数，进而使用得到残差分布的拟合函数，极大化其对应的拟似然函数，形成对应的NGQMLE。在给定的一些基本条件下，我们得到NGQMLE的统计性质，包括强一致性和渐近正态性。同时Monte Carlo数值模拟给出了在有限样本下估计方法的对应表现。　　第四章考虑到实际金融数据的厚尾偏态分布特征，我们研究了DAR模型的正态混合拟极大似然估计(NMQMLE)。使用正态混合的密度函数代替误差序列的分布，进而基于这样的分布函数得到对应的拟极大似然估计。在一定的假设条件下，我们得到了DAR模型的NMQMLE的一致性和渐近正态性等统计性质。同时，我们给出的数值模拟，说明对于具有厚尾偏态分布的DAR模型而言，NMQMLE具有良好的表现。　　第五章，总结了本文的研究方法，并且针对本文的成果，给出在研究过程中遇到的一些问题和还未来得及实现的想法，给出了若干未来需要进一步研究的方向。