A tanulmányban feltételezzük, hogy a részvényárfolyamok mozgását időben változó szórású ugró-diffuziós folyamatok írják le. A modell vizsgálatára egy ökonometriai módszert fejlesztettünk ki, amit nagyfrekvenciás adatokon mikrostrukturális zajok jelenlétében alkalmaztunk. A módszer egy lokalizált részecske szűrő és egy Monte-Carlo EM-algoritmus segítségével ad maximum likelihood becslést. 2004-es napon belüli IBM-részvényárakat vizsgálva azt találtuk, hogy döntő fontosságú a nagyfrekvenciás adatok alkalmazása ahhoz, hogy a gyakori kis ugrásokat elkülönítsük a ritka nagy ugrásoktól. Kereskedési időben az ugrások gyakoriak és kis méretűek, amik jelentősen különböznek a kereskedési időn kívüli ritka és nagy ugrásoktól. 5, illetve 10 perces mintagyakoriság esetében az eredmények döntő módon függenek attól, hogy a leptokurtikus mikrostukturális zajokat figyelembe vesszük-e. A mikrostrukturális zajok figyelmen kívül hagyása az ugrási gyakoriság 50 százalékos felülbecsléséhez vezethet.