加密货币已经成为一种世界级的现象,各国的政府、公司和投资者都面临着巨大的挑战和机遇。比特币作为加密货币中的稳定币,最广为人知。相较于比特币的支付功能,人们更倾向于将比特币当作一种资产用于投资获利和对冲风险。因此对于比特币市场风险的研究非常重要。已经有很多学者利用比特币的日数据构建不同的GARCH模型,对其收益的波动率进行分析,而且近两年利用比特币的高频数据的研究也在逐渐开展。本文旨在研究适合用于比特币波动率拟合,预测和VaR计算的模型。本文在理论部分首先介绍了文章中采用的收益率的形式及其可能适用的四种分布,简述了四类GARCH族模型的基本内容,详细介绍了已实现波动率,已实现极差波动率和预测已实现波动率序列的模型,最后阐述了已实现GARCH模型的结构及参数估计的方法。基于时间序列模型和已实现波动率模型的理论介绍,在实证部分本文主要从以下几个方面考虑构建不同的模型。第一,利用低频数据构建GARCH模型和EGARCH模型,利用高频数据构建HAR模型和ARFIMA模型,同时利用低频数据和高频数据构建已实现GARCH模型。第二,考虑到收益率尖峰厚尾的特点,在构建GARCH类模型时,令残差服从五种不同的分布。第三,使用不同的已实现波动率序列构建HAR模型,ARFIMA模型和已实现GARCH模型。实证结果显示,在GARCH类模型中,EGARCH模型的模拟效果最好,但是已实现GARCH模型可以更好地适应波动率的快速变动,残差分布的变化会影响GARCH类模型的模拟效果。在预测已实现波动率的模型中,HAR模型的拟合效果优于ARFIMA模型,使用已实现极差波动率的模型的拟合效果优于使用已实现波动率的模型,使用对数形式的已实现波动率序列的模型的拟合效果比使用一般形式的已实现波动率的模型的拟合效果好。在波动率预测方面,ARFIMA-lnRRV模型对于未来波动率的预测效果最好。在VaR预测方面,所有模型均通过回测检验,可以准确预测VaR,其中通过已实现GARCH模型预测的VaR整体相对较小,但是失效次数较多,通过已实现波动率模型预测的VaR整体失效次数较少,但其中部分模型预测的VaR偏大。预测效果最好的是使用对数形式已实现极差波动率的ARFIMA模型。