近年来，随着信息技术和金融工具的不断发展，采用信息量更为丰富、信息损失更少的金融高频数据日益受到关注，通过其研究市场间的结构关系日渐成为对于金融市场结构关系的重点。相比于高频金融数据，低频金融数据由于其采集频率的限制，造成了一定的信息损失，在此基础上对于市场微观结构的研究结论通常具有局限性。高频金融数据通过更高的采集频率，能够捕获更多的金融市场微观结构信息。在金融市场研究中，是否能准确描述收益率的结构，决定了后续对于金融市场各项研究的建模偏差。至今已有大量的实证探究表明，金融市场收益率存在非线性相关结构特征，其分布呈现“尖峰厚尾”，在此基础上运用线性模型已经无法满足准确刻画金融资产收益率结构的需求，由此得出的边际分布结果和设计的交易策略存在偏差和局限性。相比于传统方法，基于金融资产收益率的非线性相关结构，能够对金融资产和金融市场收益分布进行更精确的描述，在此基础上对交易策略进行相应的改进。而Copula函数常用于拟合金融数据的非线性相关关系，其对边际分布选择无限制、边际分布选择和Copula函数选择相互独立、函数结构多样化等优点，对金融数据非线性相依关系的研究具有其优越性。因此可以尝试通过条件概率和Copula模型来测量市场收益率间非线性相关关系，并在此基础上提出相应的交易策略。通过高频金融收益率数据，探究两市间高频收益率的非线性相关结构，并实践相应的交易策略，为高频金融数据在拟合非线性相关结构的运用上提供一定的研究实践，具有一定的意义和必要性。因此，本文通过运用沪深两市高频数据，探究沪深两市高频对数收益率的相依性和非线性相关结构，并在此基础上将非线性相关结构的交易策略与传统的线性交易策略进行分析对比，来探究高频金融数据在拟合非线性相关结构上的实际运用和基于高频金融数据非线性相关结构所构建的交易策略是否相比传统的线性交易策略具有其优势。
　　首先，我们通过对原始高频对数收益率的统计特征进行分析，发现其具有尖峰厚尾的特性，并且对其进行高频日内效应剔除处理，得到已经剔除日内效应的对数高频收益率数据。随后，拟合对数收益率的边际分布，通过ARMA-GARCH模型对其边际分布进行拟合，在选择合适的残差分布的基础上，拟合时间序列ARMA-GARCH模型，得到标准化的残差序列，我们发现，沪深两市的高频对数收益率的残差均为有偏广义误差分布，同时ARMA-GARCH模型能够良好的拟合单个市场的边际分布。然后我们对沪深两市间的相关关系进行探究，通过选择合适的Copula函数对残差序列进行拟合，发现t-Copula模型能够描绘出沪深两市尾部间的相依性。最后，将通过Copula构建的非线性相关结构的交易策略同传统的线性交易策略进行交易策略测试。发现无论是累计收益、交易活力还是交易获利效率上，非线性相关结构的交易策略模型相比传统的线性交易策略模型都具有突出优势的结论。