从上一节中可以发现，将RQ加入其中能够刻画出HAR模型中能刻画的相关内容，进而提高模型对RV的拟合效果。然而在以上分析不同类型的RQ对HAR影响的过程中，本书所分析的仅仅是日RV时变参数，参照对日RV时变参数的分析，可以进一步提出其他对周和月累计平均RV的建模分析，其中仅仅对周累计平均RV进行时变建模的HAR模型称之为HARQh模型，同时将日、累计周和月平均RV进行时变估计的模型称为HARQf模型。那么，到底哪些参数的时变特征具有重要影响呢，本节对此展开分析，对不同时变参数的HARQ、HARQh和HARQf模型进行对比研究。与上文的分析方法相同，本节同样利用沪深300指数5分钟高频数据在2005年1月至2017年12月间的全样本作为拟合对象，据此得出了HARQ、HARQh和HARQf模型的拟合结果，具体参见表4-2内容。

表4-2　沪深300指数5分钟高频数据全样本不同时变参数的HAR模型对比

说明：括号内为估计参数的标准差，***、**和*分别表示在1％、5％和10％水平上显著。

从表4-2中可以发现，HARQ、HARQh和HARQf模型的拟合效果均优于HAR模型的拟合效果。由此可以判断，固定参数约束的HAR模型对RV的拟合确实还有进一步改善的空间，而本书通过对其参数的时变估计，改善了模型的拟合能力，为进一步研究金融市场已实现波动率提供了一个新颖的思路。(www.daowen.com)

另外，从HARQ、HARQh和HARQf之间的拟合差异看，HARQh模型对周累积平均RV时变参数是不显著的，HARQf中的拟合结果也相同，这说明较远日期的波动特征不及较近日期（前一日RV，也就是对RV的时变估计结果）对未来波动率的影响大。HARQf中虽然其月累积平均RV的时变参数在5％的水平上显著，但通过对模型的拟合效果指标发现，与HARQ模型相比，HARQf模型并没有较大的改善，尤其是两种损失函数指标，MSE相同，而RMSE相差为0.0001，因此，可以判断仅仅对日RV进行时变估计足以大幅改善HAR模型中的不足。也就是说，通过考虑较近日期的参数估计的误差方差的时变特征，可以改善模型因固定参数约束的不足。

因此，在对HAR进行建模扩展的过程中，本书将考虑对日RV的参数进行时变估计，由于较长日期的参数改善效果有限，因此忽略周RV和月RV的时变特征。