【摘要】传统的波动率模型(如GARCH模型和SV模型)采用日度收益率数据对波动率建模,忽略了日内高频数据包含的丰富信息。同时,资产收益率的波动率往往展现长记忆性,资产收益率的分布展现非正态性(尖峰、厚尾),传统的波动率模型不能很好地刻画现实资产收益率的这些特征。将包含丰富日内高频信息的已实现波动率引入传统低频SV模型中,同时考虑已实现波动率偏差修正、波动率长记忆性和资产收益率的非正态性(尖峰、厚尾),构建混合正态双因子已实现SV(2FRSV-MN)模型。为了估计2FRSV-MN模型的参数,给出灵活且易于实现的基于连续粒子滤波的极大似然估计方法。蒙特卡罗模拟实验表明,给出的估计方法是有效的。采用上证综合指数和深证成分指数5分钟高频交易数据,对提出的2FRSV-MN模型进行实证检验。研究结果表明,已实现波动率是真实日度波动率的有偏估计(下偏),沪深股市非交易时间效应强于微观结构噪声效应;沪深股市具有强的波动率持续性和显著的杠杆效应,且杠杆效应只存在于短记忆波动率因子过程中,长记忆波动率因子过程中存在反向杠杆效应;根据赤池信息准则,2FRSV-MN模型比其他模型具有更好的数据拟合效果。对风险值的估计结果表明,2FRSV-MN模型能较好地测量金融市场风险,但并非一定是具有最好的风险测量效果的模型,这取决于选取的概率和数据。研究结果不仅为投资者和监管机构提供了信息和决策参考,也丰富了基于高频数据的波动率建模和市场风险测量的研究。