自从1964年William Sharpe等人提出CAPM模型开始，学者们对于β系数的研究就从没有停止过。从最初假设β系数是稳定的，到逐渐发现β系数的时变性并用各种模型分析和描述它，随着学者们对β系数的相关研究越来越多，人们对β系数的了解也变得越来越深入。随着Engle提出的自回归条件异方差(ARCH)模型不断发展，越来越多的学者将其应用于估计时变β系数。1988年，Bollerslev首次采用多变量GARCH模型估计时变方差和协方差得到时变β系数。2002年，Engle在ARCH模型的基础上提出动态条件相关多元GARCH模型，成为估计时变β系数的主流模型。　　然而，上述这些模型都是基于日间的低频数据对β系数进行估计，Andersen，Bollerslev，Diebold和Labys(2003)通过实证证明，按照日交易数据等低频数据计算出的波动率都不是波动率的精确度量，已实现测度才是波动率的精确度量。本文正是以上述理论为基础，采用以实现测度以及Corsi提出的HAR-RV模型，通过对个股及股票组合的β系数的计算与预测，分析基于已实现波动率的HAR-RV模型对β系数是否具有更好的预测效果，并将其应用于实际的套期保值中分析了其实际的商业价值。　　研究结果表明，在静态法、滚动窗法和HAR-RV模型中，HAR-RV模型对于β系数的预测效果最好，其次是滚动窗法，静态法则基本没有预测效果。而从实际的套期保值操作上来比较，使用HAR-RV模型进行套保的效果不论在个股还是股票组合上均好于滚动窗法，这也说明了高频数据确实有一定的应用价值。