Šiais laikais atliekama daug tyrimų ultra aukšto dažnio duomenų srityje. Nagrinėjant duomenis jų pasirodymo metu, galima suprasti daugelį įvairių procesų, vykstančių prekyboje, bei geriau išnagrinėti rinkos mikrostruktūrą. Be to, ultra aukšto dažnio duomenys pasižymi daugeliu naujų ir unikalių savybių. Šis darbas yra skirtas laiko intervalų tarp sandorių dinamikai aprašyti. Analizei buvo paimti vienos akcijos, kuria prekiaujama Londono vertybinių popierių biržoje, duomenys. Pagrindinis šio darbo tikslas - sukurti modelį, tinkamą duomenų analizei ir prognozavimui. Iš pradžių buvo bandoma pritaikyti kai kuriuos klasikinius ACD tipo modelius. Atsižvelgus į jų trūkumus, buvo pasiūlytas sudėtingesnis modelis, leidžiantis skirtingą trukmių dinamiką, priklausomai nuo kainų pokyčių. Į modelio specifikaciją įtraukus netiesinę funkciją, modelis geriau aprašo sąryšius, kurie egzistuoja duomenyse, padidėja modelio lankstumas, todėl jis gerai tinka praktiniam panaudojimui. Teorinės modelio savybės, tokios kaip pusiausvyros egzistavimas, stacionarumas ir ergodiškumas, buvo išnagrinėtos konkrečiai modelio funkcinei formai, bet panaudoti metodai gali būti pritaikyti ir bendresnėms modelių klasėms. / Nowadays, many researches are made in ultra high frequency data series. Considering the data in time intervals as it arrives, helps to understand a variety of issues relating to trading process and market microstructure. The empirical analyses of such data present a number of new and unique statistical challenges. This work considers the dynamics of time intervals between transactions of one share in London Stock Exchange. The aim of this work is to make a statistically relevant model suitable for analysis of time intervals, and making the forecasts. First, some classical ACD-type models where tried to apply for a description of the data under consideration. After, a more sophisticated model using nonlinear functions was proposed in order to manage the problems arising in the classical models. More over, the model enables different dynamics of intervals between trades, depending on last price change. Comparing with the classical methods, the proposed model much better describes nonlinear dependence existing in the data. It enhances a goodness of fit, and is more applicable for practical use. Theoretical features such as an existence of equilibrium, stationarity and ergodicity where considered under specific functional form. But the idea can be extended for more general classes of models.