I periodi di crisi economica mettono a dura prova la nostra comprensione degli scenari finanziari e dovrebbero costituire un incentivo per esplorare nuovi modelli e tecniche per interpretare eventi passati e futuri e per misurare e gestire i rischi finanziari. I dati finanziari ad alta frequenza contengono informazioni cruciali sul processo sottostante. Un aspetto interessante della stima della volatilità a partire dai dati ad alta frequenza è il rumore che nasconde il prezzo efficiente. Lavori recenti hanno mostrato le potenzialità dell'usare dati ad alta frequenza per il calcolo della covarianza, si veda Andersen, Bollerslev, Diebold, Labys (Econometrica 2003), Bollerslev, Zhang (J. Emp. Fin. 2003), Fleming, Kirby, Ostdiek (J. Fin. Econ. 2003). Tuttavia, utilizzando dati ad alta frequenza si incontrano tre difficoltà. La prima si riferisce al cosiddetto effetto Epps: l'asincronicità delle quotazioni determina un bias verso zero nelle correlazioni tra i titoli al crescere della frequenza di campionamento. Pertanto le covarianze realizzate sottostimano drasticamente il grado di dipendenza tra gli asset. La seconda riguarda la distorsione dal prezzo efficiente dovuto agli effetti di microstruttura del mercato. Infine, in un contesto multivariato complesso di crisi la distribuzione dei rendimenti degli asset si allontanano dal paradigma di semimartingala continua e le misure di rischio dovrebbero tener conto della presenza di salti. Questi tre aspetti sono l'oggetto di una delle più recenti ed attive aree di ricerca nel campo della Statistica, Econometria e Finanza e sono di importanza fondamentale per comprendere gli scenari finanziari e sviluppare strategie efficienti di gestione del rischio. Motivati dalle conseguenze degli effetti sopra ricordati, un certo numero di stimatori di covarianza è stato proposto nella letteratura; tra questi, il metodo di Fourier proposto da Malliavin, Mancino (Fin. and Stoch. 2002) fornisce uno strumento efficiente per trattare la non sincronicità e gli effetti di microstruttura, mentre la cosiddetta metodologia threshold sviluppata da Mancini (Scand. Actuarial J. 2004) permette di separare la variazione continua da quella discontinua. Per studiare l'econometria dei salti e determinare misure di volatilità robuste ai salti è fondamentale definire test statistici appropriati per identificare la presenza di salti in una serie storica. Si sta anche studiando uno stimatore basato su uno schema di regolarizzazione a due passi che usa finestre di dati sovrapposte: ciò definisce uno stimatore kernel su un insieme di dati regolarizzati e questo è cruciale per trattare gli effetti di microstruttura. Inoltre, il kernel, determinato tramite una procedura di ottimizzazione, permette di implementare facilmente lo stimatore in modo da poter lavorare in tempo reale. Le diverse metodologie verranno messe a confronto con analoghe presenti in letteratura, evidenziandone le rispettive potenzialità e limitazioni.