金融市场中,金融数据的预测和资产组合的风险管理是金融机构与个人投资者研究的重中之重。随着时代的发展,高频数据相较于低频数据更能反映出市场的真实变化情况,且蕴含更多的市场交易信息。因此更多国内外学者选用高频金融数据作为研究对象对金融市场进行研究分析。由于金融资产收益率序列具有尖峰厚尾性和非对称的特点,而传统模型无法捕捉这些特征。本文通过改进双门限广义自回归条件异方差模型以便更好地预测数据以及度量金融市场风险。全文内容分为以下两个部分。第一部分构建了一种双门限广义自回归条件异方差模型,其扰动项服从标准Laplace分布。运用极大似然估计法计算出模型参数的估计值。在实证分析中对比扰动项服从不同分布的其他模型。实证分析结果表明所研究的模型更加符合实际情况。最后通过自助法与预测值的条件分布得到预测置信区间,且自助法构建的预测置信区间更加精确。第二部分采用双门限广义自回归条件异方差模型计算金融资产的VaR值和CVaR值。根据不同置信水平下的统计量,比较不同模型计算得到的风险值对市场风险估计的准确程度。实证分析结果表明所研究的模型度量风险更为准确。当置信水平发生变化,模型计算的风险值度量风险的性能也随之变化。与VaR相比,CVaR度量风险更加稳健。