为了进一步分析本书所构建的8种传统的HAR模型的研究结论的稳健性，本书进一步运用以上方法对沪深300指数和香港恒生指数的1分钟高频数据进行建模分析，以此进一步判断本书研究结果的稳健性。HAR、HAR-S、HAR-SA、HAR-C、HAR-J、HAR-AJ、HAR-SJ、HAR-CSJ各模型对沪深300指数和香港恒生指数的全样本拟合结果见表3-8和表3-9所示。

从表3-8中可以发现，沪深300指数1分钟高频数据传统类HAR模型的估计结果与前文中采用对应的5分钟高频数据的估计结果一致，均是HAR-CSJ模型对RV的拟合效果最佳。这说明了在频度更高的交易过程中，我国股票市场的“跳跃”情况等仍然具有显著影响，因此在建模过程之中挖掘我国股票市场自身的波动特征有利于改善对已实现波动率的预测效果。

从表3-9中可以发现，在所对比的8种传统类HAR模型中，HAR-CSJ模型对恒生指数1分钟高频数据的拟合结果最为优异。这同样与前文中对恒生指数5分钟高频数据的估计结论一致。

除了运用传统类8种HAR模型对沪深300指数和香港恒生指数的全样本进行估计外，本书进一步采用前文中的滚动时间窗估计方法，对两个市场1分钟高频数据的样本外预测结果进行了分析，所估计的具体结果见以下两个表格：表3-10和表3-11。(www.daowen.com)

从表3-10和表3-11中可以发现，对于1分钟高频数据，无论是沪深300指数还是香港恒生指数，其样本外1000天的日RV预测结果，同样是HAR-CSJ模型表现最为优异。本部分的研究结果表明，本书所构建的包含了跳跃符号和检验后跳跃成分的HAR-CSJ模型是传统类模型之中最佳的拟合模型。通过样本外预测结果表明，无论是1分钟还是5分钟高频数据，实证结果均保持一致，所构建的模型具有稳健性。

表3-10　沪深300指数1分钟高频数据传统类HAR模型样本外日RV预测结果

表3-11　香港恒生指数1分钟高频数据传统类HAR模型样本外日RV预测结果