在现代金融市场中，资产价格的波动率是相关资产的一个基本指标，而基于高频数据的已实现方差(Realized Variance，RV)作为波动率的一种估计已被广泛接受。本文围绕着已实现方差介绍并详细讨论了基于高频数据估计波动率的理论，方法和实践。 第一章介绍了本文的研究动机，研究对象及研究方法，是本文的一个概括性介绍。 第二章首先介绍了在不考虑市场微观结构噪声影响时的波动率估计景以及它们的性质。假设一种资产的对数价格过程p是一个服从如下形式的半鞅(semimartingale)： pt=αt+mt，其中αt是漂移项(Drift)，mt是局部鞅扩散项(Diffusion)，则价格p从时刻0到时刻t的二次变差为 [p，p]t=[m，m]t。一般地，我们多假设m由一个布朗运动驱动：mt=∫t0σsdWs，则给定直到时刻t时的所有信息， pt～N(αt，∫t0σ2sds)同时，[P，P]t=[m，m]t=∫t0σ2sds，表明二次变差等于积分方差(Integrated Variance，Ⅳ)，而后者是价格Pt的方差，因而可作为价格波动率的合理度量。已实现方差是二次变差的后验值，定义为其中M称为抽样频率，是单位时间内所分隔的子区间数。当M趋于无穷时，已实现方差收敛于二次变差。在文践中的有限样本情形下，这一极限理论具有相当的局限性，因此，在本章最后我们也介绍了一些改进的估计量，包括对数变换，Edgeworth校正以及自抽样法(Bootstrapping)。 在现实世界中，已实现方差受到市场微观结构噪声的影响从而偏离其理论值，而且这种偏离会随着抽样频率的增加而变得愈发严重。本文第三章专门研究市场微观结构。我们简单介绍了有关市场结构的知识，并研究了噪声的成因及结构。特别地，我们设定噪声序列存在MA(1)结构。 本文第四章致力于除噪技术，即考虑在噪声影响下如何剔除噪声干扰从而有效地估计波动率。我们主要讨论了两类除噪技术，即已实现核估计(Realized Kernel) 在应用前面的除噪技术进行波动率估计时，都需要首先对噪声方差进行估计。例如，Zhang et al．(2005)就应用最高频率的数据估计噪声方差以进一步在子抽样已实现方差估计中进行纠偏(由噪声引起的)；应用核估计作区间估计也需要估计噪声方差从而进一步地估计核估计的渐进方差。第五章系统研究噪声方差的估计方法。我们首先讨论了在白噪声的假设下如何对噪声方差进行估计。这也是目前文献中估计噪声方差时一般假设。接着我们放宽这一假设允许它存在相关性及内生性(及噪声与有效价格相关)并提出了如何在这一假设下估计噪声方差。这一部分是本文的理论创新。最后得到的噪声方差估计量是其中符号π0在本文中表示噪声方差，Mι是一个较低的频率，用于去除噪声间的相关性，Mh是可用的最高频率。类似于已实现方差这一概念，这一噪声方差估计也可以认为是已实现噪声方差。在本章的剩余部分，我们讨论了如何确定抽样频率MιandMh。 第六章是本文的实证研究部分。通过使用来自我国股票市场的高频数据进行各种波动率的估计，考察了各估计量的性质，并对估计结果进行了比较。这一章也给出了基于各种噪声假设之下噪声方差估计量的估计结果并作了比较分析。通过这些实证研究我们达到了两个目的：首先展示了如何将前面各章介绍和发展的理论应用于实际市场中，其次也为研究者和实际工作者提供了一个高频数据分析工具库，也即本文附录A所给出的实证分析程序。实证结果同时揭示了一个重要事实：未除噪的波动率估计低于应用了除噪技术的波动率估计，说明未除噪的波动率估计低估了风险。这表明了除噪技术对于风险管理具有重要的现实意义。 最后一章对本文作了总结，并试图指出一些可能的有意义的未来研究方向。