摘要：151内效应在金融高频数据研究中已被广泛证实，是一种日内周期性运动的动态效应，它影响了以微观金融指标为参数的计量模型的准确估计。基于金融超高频持续期数据，本文首先论述了日内效应调整的重要性，然后引入自适应映射（SOM）的方法对日内效应进行调整。SOM是一种基于神经网络学习的特征提取方法，能够动态识别高维数据中的结构特征，克服了静态调整方法的不足。最后通过建立基于自回归条件持续期模型（ACD）的蒙特卡罗模拟实验，比较了三种日内效应调整方法的效果。模拟结果表明SOM方法在日内效应调整中更为有效和稳定，特别适合大数据条件下的周期性结构分析。

关键词：日内效应 自回归条件持续期 som 周期性调整 

单位：东北财经大学数学与数量经济学院 辽宁大连116025