金融时间序列数据在生活中广泛存在,例如货币市场、股票数据等,此类数据具有尖峰厚尾、异方差性、波动集群性、非对称性和多峰等诸多特征。该类数据主要是用广义自回归条件异方差模型来建模的,该模型在描述金融时间序列数据的异方差性上有良好地表现,但是却不能精确地刻画数据的尖峰厚尾、多峰等性质。而混合时间序列模型可以近似任何分布形式,进而可以灵活、有效地对数据进行建模。本文以双自回归模型为基础,将混合模型的建模思想引入其中,得到的混合双自回归模型,可以较好地描述数据的尖峰后尾、多峰、非对称等性质,因此它可以更为精细地描述金融时间序列数据。本文主要内容分成两个部分,第一部分考虑混合双自回归模型的贝叶斯估计问题,通过引入潜变量得到模型的完全数据似然,根据贝叶斯定理求出参数的后验分布和满条件分布,从而使MCMC抽样变得可行。采用了贝叶斯因子方法对模型的异方差性进行检验。在实证研究中,将模型应用于S＆P500股票每日收益率的拟合问题之中,结果表明混合双自回归模型可以很好地描述此类金融时间序列数据。混合双自回归模型的一个局限是它无法刻画解释变量对模型的驱动效应。在现实生活中股票的收益率通常会受到其他解释变量的影响,导致混合概率往往是随机变化的,因此在混合双自回归模型的基础上,进一步引入解释变量,将模型推广到logistic混合双自回归模型。该模型可以有效地刻画金融时间序列数据受协变量的驱动效应。在本文的第二部分系统地研究了logistic混合双自回归模型的贝叶斯估计问题,采用贝叶斯方法对该模型的参数进行估计,为了克服logistic函数结构对估计的影响,进行了变量变换,通过模拟结果可以看出所提出的基于变量变换法的贝叶斯估计可以精确地估计模型参数,同样采用贝叶斯因子方法对模型的异方差性进行检验。在实证研究方面,将模型应用于上证指数的实证分析中,考虑了人民币兑美元汇率和观测数据的一阶滞后这两个协变量对模型的驱动效应,拟合结果表明logistic混合双自回归模型可以很好地刻画金融时间序列数据受外部因素的影响。