The goal of this dissertation is to describe a methodology for modelling the volatility of high frequency financial data, considering its features and stylized facts. In order to account for the long-range dependence in conditional mean and conditional variance, ARFIMA and FI(E)GARCH models are used respectively, when observed. To account for the non-normality, skeweness and kurtosis, features observed in the the distribution of the log-returns in high frequency, the Skewed Student t and the Generalized Error Distribution (GED) are adopted for the innovation term of the aforementioned models. Wavelet shrinkage is used in a non-parametric identification and separation of the intraday jumps from the time series data. The application of this procedure is presented using real high frequency asset returns from the Brazilian Exchange and OTC, as well as exchange rates from cryptocurrencies traded in Crypto Exchanges.

O objetivo desta dissertação é descrever uma metodologia para modelagem da volatilidade de dados financeiros de alta frequência, considerando suas particularidades e fatos estilizados. Os modelos ARFIMA e FI(E)GARCH são utilizados para modelar a longa persistência das séries na média e na variância condicional, respectivamente, quando isto for observado. A fim de contemplar não-normalidade, assimetria e curtose são utilizadas as distribuições t de Student Assimétrica e Distribuição Generalizada de Erros (GED) para o termo de inovações dos modelos supracitados. A limiarização de ondaletas é utilizada para identificação e separação dos "jumps" intradiários de forma não-paramétrica. A aplicação deste procedimento é apresentada utilizando séries financeiras reais de retornos de ações em alta frequência para ativos negociados no mercado à vista na bolsa de valores brasileira, além de séries de taxas de câmbio de criptomoedas, comparando o modelo semiparamétrico proposto a uma abordagem tradicional sem remover os "jumps".