本文主要使用加入了杠杆效应的SV模型以研究我国沪深两市的大盘股与小盘股之间杠杆效应的差异，以此考察大盘股与小盘股各自的杠杆效应对股票收益率的不同影响程度，并用以解释FAMA-French三因子模型中市值通过杠杆效应对股票收益率产生影响的机制。　　Fama&French(1992，1996) Lankonishok、Shleifer&Vishny(1994)在研究美国股票市场收益率时意外地发现美国股票存在着价值溢价（value premium）现象:即账面价值较高（P/BV低）的股票比账面价值较低（P/BV高）的股票有更高的收益率;小公司效应:即低市值（小盘股）股票要比高市值（大盘股）股票有更高的收益率。此后Fama& French在1998年又利用他们的发现研究了欧洲、澳洲、亚洲的股票市场。同样的，他们发现了与美国股票市场一样的价值溢价现象和小公司效应:13个市场中的12个的价值型投资组合比成长型投资组合表现好。Fama& French据此建立了著名的Fama-French三因子模型。此后Fama-French三因子模型被广泛使用，尤其是在基金领域。　　大量的实证研究表明，收益和下一期收益的条件方差负相关，即负的（正的）收益常常和条件方差的向上（向下）修正联系起来，这种现象称为波动的非对称性，即杠杆效应。Black较早发现了所谓的“杠杆效应”，收益率为负的股票比同水平有正收益率的股票表现出更大的波动性。Black、Christie对这种现象提出了一种解释，认为下降的股价将提高资产负债比（debt-to-equity ratio）（即所谓的财务杠杆），因此提高了公司的风险，从而导致未来波动的上升。而在八十年代，French，Schwert，Stambaugh及Campbell，Henstschel又提出波动反馈效应(Volatility Feedback Effect)，认为在股市上，当前波动与未来收益是正相关的。　　本文主要使用了中证100指数、中证500指数、上证50指数、上证小盘指数、深证100指数以及深证700指数作为两市以及沪深两市大盘股与小盘股的代表。由于本文主要目的是研究股票自身的内禀杠杆效应而非信息冲击造成的信息杠杆效应，所以本文选取了2011年x月x日至2011年x月x日之间作为样本进行研究。因为这一时期内市场消息较少、市场相对平稳，而且没有对于市场有系统性影响的消息（例如加息、降低存款准备金利率、宏观调控政策）公布。　　在模型选取上，本文使用了加入了杠杆效应的SV模型。之所以选择该模型一方面是因为该模型的设定要优于GARCH类模型，在实际应用中，国外的许多研究证明了SV模型在估计结果以及事后模拟上要比经典统计办法更加有效，而且在小样本情况下更加实用。而且在参数设定、假设分布以及模型结构的设定上更加自由，这样对于特定数据就更有针对性。而且由于模型的估计方法采用了贝叶斯估计方法，相比较经典统计方法在样本缺失（以日收盘价计算收益率实际并非观测期内完全样本空间）、样本空间不连续（观测到的股票收益率是连续空间的一点）等问题上有完善的解决方法。另一方面，本文研究样本分布的非正态性也要求使用一种并不基于股票连续收益率呈正态分布假设的理论模型。　　本文的结果显示，对于沪市而言，大盘股与小盘股的杠杆效应不存在差异。所以，在上海市场上杠杆效应不足以解释FAMA-French三因子模型中市值对收益率影响那一部分。而在深圳市场上，大盘股与小盘股的杠杆效应则表现出了巨大差异:不仅杠杆效应作用方向不同，而且数值上存在着巨大差异，小盘股杠杆效应的绝对值约为大盘股杠杆效应绝对值的3倍（-1.49％与0.5％），这显示了杠杆效应通过市值的差异影响着收益率。　　本文共分为八大部分。第一部分主要介绍了我国股票市场发展历程中指数收益的几次巨大变化;第二部分简单介绍了对大盘股和小盘股的研究以及FAMA-French三因子模型;第三部分介绍了杠杆效应及其应用;第四部分着重介绍了国内对于我国股票市场杠杆效应的研究状况;第五部主要描述了贝叶斯统计推断方法、MCMC估计算法、Gibbs抽样方法;第六部分介绍了一些SV模型，提供了本文使用的SV模型的先验分布设定和模型结构;第七部分则是本文的实证研究部分，提供了数据正态性检验结果、openBUGS软件的统计结果;第八部分则是本文结论以及结论的实际应用建议。　　本文使用的程序代码、为确定收敛结果进行的高次模拟结果均作为附录提供。