金融高频数据的非参数统计建模，已成为统计分析领域研究热点和难点问题。本项目以希尔伯特-黄变换(Hilbert-Huang Transformation, HHT)理论为切入点研究波动率的非参数估计问题和针对金融高频计数数据采用整数值时间序列理论进行分析，完成工作：1.金融高频数据的统计推断。以希尔伯特-黄变换理论为切入点，结合小波分析和傅里叶分析，以GARCH模型和随机波动模型为工具，以高频金融收益序列为研究对象，分别基于不同的方法研究了波动率的估计和检验问题。从非参数角度入手，研究基于小波变换的杠杆效应，进而研究HHT的杠杆效应。2.高频相依计数数据的统计推断。借助HHT建立不同的高频整数值时间序列模型，并对模型的结构进行改进，利用各种非线性结构提取数据的有效信息。将Copula函数引入高频数据研究中，研究杠杆效应的非线性关系，并给出了新的模型及估计方法。3.多维高频数据的建模研究。以多维高频数据的建模研究为切入点，主要考虑解释变量对高频金融交易的影响，进一步考虑变点效应和“跳”效应。在多目标资产优化问题中引入具有解释变量的阈值随机波动率模型等，并进行比较研究。4.项目共培养博士生4名，研究生15名，发表论文58篇，其中SCI论文33篇，IEEE论文1篇，CSSCI论文3篇，核心论文5篇