本文主要通过对金融时间序列拟合GARCH(1,1)模型来达到研究与预测的目的,该类时间序列通常具有波动集群的特征,模型中误差项服从分布还常具有重尾分布(如t分布等)的特征,与正态分布差异较大。因此,需要采用合适的方法估计GARCH(1,1)模型中的参数。各类统计软件中估计GARCH类模型参数所采用的是拟极大似然估计法,该方法在大样本且误差项分布接近正态分布的场合才能具有较高的拟合精度,因此该类方法不适用于本文处理的数据。本文采用的是分位点回归估计法,该方法通过对转换形式后的数据进行分位点回归来估计对应GARCH(1,1)模型中的参数,求解估计的思想与线性回归类似,不同之处在于这里需要使转换数据后与误差项对应的条件分位点的损失函数达到最小,而不是线性回归中需要使残差平方和达到最小。在具体操作时需采用两步估计法,第一步先利用经典的似然估计法得到误差分位点的估计值,第二步将该常量带入需要求极值的损失函数中,求损失函数的极小值得到参数估计,且这种估计具有渐进正态性和一致性。在模拟数据和实际数据的应用中,由于基于分位点回归进行的估计不依赖于模型残差的正态性,因此估计效果优于经典的拟极大似然估计法,而与类似原理的最小二乘估计相比,分位点回归估计在重尾特征明显时估计效果更好。在模拟数据和实际数据应用之外,为了更完整的呈现该估计方法的特点,本文还介绍了利用分位点回归预测风险价值以及利用该估计进行对参数的假设检验。