Los datos intradía de alta frecuencia de los rendimientos de las acciones exhiben no solo características típicas (por ejemplo, agrupamiento de volatilidad y efecto de apalancamiento), sino también un patrón cíclico de volatilidad de los rendimientos que se conoce como estacionalidad intradía. En este artículo, ampliamos el modelo de volatilidad estocástica (SV) para su aplicación con dichos datos intradía de alta frecuencia y desarrollamos un algoritmo de muestreo eficiente de Monte Carlo por cadenas de Markov (MCMC) para la inferencia bayesiana del modelo propuesto. Nuestra estrategia de modelado es doble. Primero, modelamos la estacionalidad intradía de la volatilidad de los rendimientos como un polinomio de Bernstein y la estimamos junto con la volatilidad estocástica simultáneamente. En segundo lugar, incorporamos la asimetría y la curtosis excesiva de los rendimientos de las acciones en el modelo SV asumiendo que el término de error sigue una familia de distribuciones hiperbólicas generalizadas, incluidas las distribuciones de varianza-gamma y de Student. Para mejorar la eficiencia de la implementación de MCMC, aplicamos una estrategia de entrelazado de suficiencia de ancilaridad (ASIS) y muestreo de Gibbs generalizado. Como demostración de nuestro nuevo método, estimamos modelos SV intradía con datos de rendimientos de 1 minuto de un índice de precios de acciones (TOPIX) y realizamos selección de modelos entre varias especificaciones con el criterio de información ampliamente aplicable (WAIC). El resultado muestra que el modelo SV con el error de varianza-gamma asimétrico es el mejor entre los candidatos.