随着我国金融市场体制的不断发展，金融市场风险的识别、测量逐步成为金融机构和监管当局关注的重点，也是众多研究金融市场风险的学者的一个核心的研究问题。传统的风险度量大多是基于低频的日间数据而建立的GARCH族模型或SV模型，虽然这些模型在刻画市场波动特征和应用于风险管理方面取得了许多成就，但是由于金融市场日内交易频繁，单单采用低频数据会损失大量重要的日内信息，导致在波动估计和风险预测上产生较大误差。而高频数据可以较好地保存日内市场信息，有助于对金融市场风险更好地研究。此外，由于传统的GARCH族模型又无法直接用于高频数据的建模分析，因此寻求有效的高频数据风险度量模型，不仅有助于为金融机构和监管当局的风险监管提供理论参考和政策建议，也为研究金融市场风险的学者提供了新的研究方向。风险价值VaR作为一种有效的度量风险的方法，由于其计算简便、方法直观且具有较好的风险度量准确性等优点而深受风险管理者的喜爱，同时也受到了许多研究学者的青睐。随着VaR理论的不断发展，其在风险管理中的应用也越来越广泛，采用不同的方法计算更为精确的VaR也一直是学术界对风险进行量化分析研究的重点问题。高频数据的研究自20世纪90年代被提出以来，一直受到了国内外学者广泛的关注，Andersen等学者提出的用高频数据估计波动率的方法，即已实现波动率，引领了众多学者对已实现类波动率和相关领域的高频波动率的研究。鉴于此，本文将金融高频数据研究的成果之一的已实现极差理论引入到VaR的计算中，并和基于低频数据的GARCH模型进行了对比分析，以判断两者在VaR预测等方面的优劣，同时也为已实现极差理论在波动估计和风险管理上的应用提供借鉴。本文在结合高频数据和VaR研究成果的基础上，通过引入对已实现极差的加权处理和抽样频率的选取方法，降低了微观结构误差和日历效应，首次将加权已实现极差运用于波动率预测和VaR的研究中，并通过回测检验对比了在不用分布下采用加权已实现极差计算的VaR和采用低频数据的GARCH模型计算的VaR的结果，这是本文主要研究的方向和创新之处，同时也为已实现极差的应用和深入研究提供借鉴。在实证分析部分，本文首先对数据进行了界定和说明，并且给出了一个高频数据抽样频率选择原理的结果。其次，对已实现类序列和日间收益率序列进行了描述性统计，随后进行了单位根检验、自相关性检验等，并且通过自相关函数图说明了高频数据存在的日历效应和对已实现极差进行的加权处理在消除日历效应上的作用。然后对计算得出的已实现波动率、已实现极差和加权已实现极差采用重标极差法检验了长记忆性，结果显示已实现类序列都存在长记忆性，并基于计算所得的Hurst指数建立了长记忆性模型---ARFIMA模型，并和GARCH模型一起进行了波动率预测能力的对比。最后将加权已实现极差的ARFIMA模型和GARCH模型引入到VaR计算中，鉴于时间序列所具有的尖峰厚尾性，在采用正态分布的同时，引入了T分布和广义误差分布去寻求最优分布形式，并通过LR似然比检验对VaR的计算结果进行了检验。