近年来，高频数据的建模在金融计量经济学和统计学的理论以及应用研究中得到越来越多的重视，而自回归条件久期模型(ACD)就成为当前处理这种不规则时间间隔的最常用的模型.在以往的文献中，ACD模型多采用QMLE估计.但是研究发现高频数据往往服从厚尾分布，且可能存在异常点，这时QMLE就很难得到准确的估计。　　 本文对标准的ACD(p，q)模型建立了M估计方法，并且在很弱的前提条件下证明了M估计的渐进正态性，这个条件是标准化久期的任意正数阶矩存在.该方法是在模型QMLE的似然函数的基础上进行修改，在使得估计具有稳健性的同时仍保留了QMLE的高效性.数值模拟结果表明这种M估计在样本存在异常点时表现要优于QMLE和LADE，并且在样本服从标准指数分布时仍同样具有较高的效率.本文将同样的M估计推广到Log-ACD模型，使得该估计能够方便地应用于实际数据的建模和解释。　　 其次，本文将前述的几种估计方法应用于高频数据金融久期建模.本文选取工商银行，长安B股，IBM的股票作为样本，分别来自从中国A股、B股和美国市场，且都具有较好的流动性.研究发现，这几种股票的价格和交易量久期都具有明显的日内效应特征，其中中国股市由于存在中午休市制度，久期经历一个先增后减，在午后再增再减的过程，而美国股市由于没有这种休市制度，久期先增加，直到大约13:30久期达到最大，这时交易开始活跃起来，久期开始减少。　　 最后，本文考虑了交易强度和交易密度与价格久期和交易量久期之间的关系，其中交易强度指的是每笔交易量，交易密度指的是单位时间内的交易笔数。结果表明，交易强度越大，交易量久期反而越大，而价格久期却越小。对此合理的解释是知情交易者多采取大额交易的方式，他们在市场之前得到信息.此时交易密度较小，从而造成价格波动大，但是总的交易量仍然较小.而交易密度无论与价格久期还是交易量久期都成反比，且交易强度与交易密度之间存在反向关系。