金融市场的变化莫测,人们很难完全知晓其中的特征波动规律,因此通过分析高频金融数据反映市场波动的特征规律是十分准确和有必要的。随着计算数据处理工具的更新迭代,以及相应的计算数据处理方法不断发展,数据的记录和存储的使用成本已经有了明显的降低,而国际金融市场上也出现了可以对当前高频率金融的数据波动进行的分析研究。高频金融数据是指日内金融市场的交易波动数据,是指在开盘期间进行高频抽样所计算得到的金融交易波动数据,高频金融数据的研究能够更为细致和全面的准确反映和计算出当前各种金融产品在国际金融市场上的波动,通过高频金融数据的分析研究,能够更好的帮助于人们更准确的规避当前各种金融产品的波动对于投资者收益所带来的影响和风险,有利于使投资者快速掌握当前金融市场的特征波动规律及内在的原理。本文主要是从高频数据的角度出发来研究创业板指数的变化规律,通过5分钟数据对其进行波动率分析和实证研究,为了提高股指与测度,本文构建了更多有效特征和组合模型两个方向努力。首先是构建已实现模型所需的指标,在对数据进行高频数据特征分析后,构建相应的日已实现波动,周已实现波动以及月已实现波动数据;其次,再构建SVM相应的指标,包括基本指标和技术指标,同时对数据进行正态化和标准化处理,使数据更科学;最后构建技术指标做SVM模型,SVM-GARCH模型预测收盘价,根据收盘价计算波动率,来验证样本外和样本内数据对各模型比较拟合程度和预测能力,经过对比分析发现,其中SVM-GARCH模型预测最正确。研究结果表明:第一,对于创业板指数来说,传统的计量模型和机器学习方法预测效果是不一样的,机器学习方法（SVM）效果比传统计量方法（已实现波动）有显著性的增强作用;第二,对于高频波动率非参数模型来说,引入跳跃元素后估计量更准,即HAR-RV-J比HAR-RV模型预测准确率更高,另外加权已实现波动模型（HAR-RRBV）比常规已实现波动模型（HAR-RV）预测更准确;第三,组合模型LASSO-SVM-GARCH模型在预测能力表现不错,其预测精度是比单纯的SVM模型更好。