长期以来,波动率的估计与预测一直是金融工程领域的核心问题之一。在现代金融市场,波动率在衍生品交易、定价以及风险控制中发挥着重要作用。对于波动率的准确估计与分析,能使金融市场活动参与者做出更积极有效的行为,进而促进金融市场良好健康发展。波动率的形式主要分为模型波动率（历史波动率、ARCH、GARCH模型等）、隐含波动率和已实现波动率三类。其中,已实现波动率直接对已实现收益的某种范数进行加总,因此,若采用的数据频率越高,则可包含的信息越多。随着金融高频数据的出现,已实现波动率成为了现代金融研究的热点之一。本文围绕已实现波动率的估计和预测方法展开,主要包括以下内容:本文首先对已实现波动率理论的提出、发展及近期研究进行了归纳,重点分析了学界对基础理论的扩展,如存在跳跃过程或结构突变的标的资产收益率的已实现波动率的修正与改进;其后,简要说明了传统的已实现波动率预测模型和机器学习框架下可能有助于提升预测准确度的包括随机森林、人工神经网络和支持向量机在内的模型。通过对由沪深300指数的5分钟价格数据提取出的已实现波动率序列进行统计分析后发现,沪深300指数价格变动中包含了很大一部分的跳跃成分,因此需对其单独考虑以建立预测模型。此外,通过对结构变化点的检查发现,样本内出现了多个市场结构发生变化的节点,这说明在分析和预测已实现波动率时必须要分别考虑其在整体区间和子区间中不同的性质。针对上述特征,首先选用传统HAR类预测方法对沪深300指数已实现波动率进行拟合。结果表明HAR-RV-CJ模型对于沪深300指数已实现波动率有较好的预测效果。此后,通过比较传统线性回归模型和文章中引入的几种机器学习模型发现,当金融市场整体波动较大时,或者针对低频度计量下的已实现波动率,随机森林模型都能够很大程度上提升初始模型的预测精度。因此,该模型能够为各类金融市场参与者管控和预测金融风险提供新的角度与方法。