金融数据存在着尖峰厚尾、波动聚集性以及杠杆效应等重要统计特征。ARCH模型、GARCH类模型以及衍生的GARCH类模型能很好的刻画这些特征。然而,随着全球经济一体化,金融市场总是不断变换,使得金融时间序列在不同时期可能呈现出不同的波动状态,金融市场波动就可能存在结构突变,因此对波动率的变结构建模是很有必要的。传统的GARCH模型由于单结构、参数固定,不能反映该结构变化,使得波动的描述和预测不够准确。Hamilton年提出Markov Switching模型(MS模型),为金融数据的变结构建模提供了新的思路和方法。为了更好地描述金融时间序列波动普遍存在的结构突变问题,本文在单一状态GARCH模型的基础上引入Markov状态转换模型,建立的马尔科夫转换GARCH模型,将波动划分为高、低两种波动状态,使得各个状态机制对应的GARCH模型拥有不同的参数结构,状态的转移服从马尔科夫过程。由于模型存在路径依赖问题,极大似然估计不可行。本文从贝叶斯观点出发,利用MCMC(Markov chain Monte Carlo)模拟的Gibbs抽样方法对模型进行参数估计,有效避免了路径依赖问题。然后,本文实证分析是以上证综指为研究对象,分析我国股票市场的波动性,结果表明我国股票市场确实存在变结构特点,两状态的MS-GARCH模型优于单一状态的GARCH模型,前者不仅能更好地捕捉到股票的波动特性,而且能更真实反映市场发展规律。