随机波动率模型自建立以来,在金融时间序列波动率建模中得到了广泛的应用,但是由于SV模型波动率的潜藏性,使得传统的似然函数极其复杂,这导致SV模型在最大似然估计方面面临着一定的困难.而Bayes方法结合了参数的先验信息和后验分布,在SV模型的参数估计方面具有一定的优势,基于MCMC方法的Bayes估计在实际应用中具有较好的精确度.因此,本文通过Bayes方法来研究SV模型的参数估计问题,并且利用MCMC方法进行了计算和实证分析.根据参数的估计的结果,得出在刻画中国银行和交通银行的收益率序列时,厚尾SV模型的模拟效果要优于标准SV模型.本文主要研究SV模型的参数估计方法,其中是将标准SV模型和厚尾SV模型进行对比研究,主要内容如下:1.论文介绍了金融市场的波动率,波动率在金融时间序列中表现出的特征以及相应的预备知识.2.论文对标准SV模型和厚尾SV模型进行了详细的结构分析,得到SV模型的似然函数表现形式.3.论文在SV模型的参数估计中使用的是MCMC方法,该方法结合了贝叶斯估计方法,在抽样过程中使用的是Gibbs抽样方法.在贝叶斯估计法中,推导了后验分布的理论公式.并且将后验分布理论公式运用到SV模型中,推导出了标准SV模型和厚尾SV模型的每个待估参数的后验分布函数.4.论文在实证分析中,使用Win Bugs软件得到参数估计的结果,根据模型对数据的拟合效果,以及模型DIC值的比较,通过得到的结果对比分析了标准SV模型和厚尾SV模型的模拟效果,得到厚尾SV模型的拟合效果更优.