自二十世纪九十年代以来,以小时、分钟、秒或实时为采集频率的高频数据成为了现代金融学的研究热点。由于高频数据具有不等间隔性、自相关性以及日内模式等特征,这就使得传统的基于等间隔数据而构建的统计模型不再适用。Engle和Russell(1998)提出的ACD模型表明对高频数据有着较好的拟合和预测效果,因而被广泛应用于金融市场。目前,许多学者的研究主要集中于参数ACD建模,它需要事先假定误差分布和函数形式。与参数ACD模型相比,非参数ACD模型不用提前假定随机误差项的分布和条件期望的函数形式,减小了参数模型误设带来的偏差。高频金融数据往往存在明显的“尖峰厚尾”性,且容易出现异常值,常用的基于N-W核估计和局部多项式展开的非参数ACD模型,由于类似的最小二乘估计的性质,无法降低异常点的影响,导致估计结果不太稳健。有鉴于此,本文将非参数ACD模型和M-估计相结合,提出了局部线性M-估计的非参数ACD模型(简称非参数M-估计ACD模型),结合非参数迭代算法,给出了非参数M-估计ACD模型具体的估计形式,使其在继承了非参数ACD模型优点的同时还克服了不稳健的缺点。在模型随机误差项服从三种不同分布且存在5%异常点的条件下进行随机模拟,分别对参数ACD模型、非参数ACD模型、非参数M-估计ACD模型的估计效果进行比较分析,对比发现非参数M-估计ACD模型的均方误差(MSE)和绝对离差(MAE)均小于其它模型,同时在随机误差项服从厚尾的Burr分布且存在异常点的情况下,误差降低的更加明显,说明非参数M-估计ACD模型能更好的刻画存在厚尾以及异常点的数据,更适用于金融高频数据。最后,将该方法应用于沪市股票数据,分别对成交量持续期和价格持续期进行研究,结果表明,非参数M-估计ACD模型的拟合结果误差最小,对持续期序列的刻画更加准确。