众所周知，金融时间序列存在着波动性问题.而且波动性的研究是描述金融市场性质的核心问题，因为资产收益的波动率是资本资产定价、风险控制和投资组合设定的关键因素.本文主要研究波动率模型中的随机波动(SV)模型的参数估计和模型选择问题．　　 文章首先简要归纳了目前的金融研究中，用来刻画收益的波动性的模型，主要包括：ARCH、GARCH、SV模型以及它们的优势和不足．　　 第二章，给出本文主要研究的SV-N模型.提出本文主要讨论的模型选择问题：检验某时间序列是平稳的还是非平稳的，即下面两个SV模型(参数φ=1或者φ＜1)的选择问题．　　 并创新地提出利用贝叶斯因子来做模型选择，而不是传统的单位根检验方法，如Augmented Dickey-Fuller(ADF)检验．并且在计算贝叶斯因子方面，提出不同于传统的全概率公式的方法一路径抽样．本章还介绍了计算贝叶斯因子需要用到的马尔科夫蒙特卡洛(MCMC)方法，Gibbs抽样，以及Metropolis-Hastings方法．　　 第三章，针对SV-N模型，推导出模型的联合分布，并分别求出各个参数的满条件分布，给出每个参数的MCMC模拟以及嵌套Metropolis-Hasting的Gibbs抽样方法.并且给出运用路径抽样计算贝叶斯因子的方法和结果.　　 第四章的主要内容是对我们提出的参数估计和模型选择的方法进行验证．给定参数σ2，μ，φ，运用Matlab分别模拟出φ=0.9、0.95、1且数量为1000、1500、2000的9个不同的时间序列．运用上文提出的方法，对每个时间序列估计出参数的值，并且计算出贝叶斯因子.　　 本文最后利用中国股市的沪深300指数，基金指数，上证180指数以及深证100R指数的真实交易数据进行实证分析．将这些指数的每日收盘价转化成收益率后，运用软件Winbugs1.4将数据与SV-N模型进行拟合，估计出参数，并且用得到的数据，计算出各自的贝叶斯因子，并且依此来选择模型.最后使用常见的ADF检验方法对于时间序列的稳定性进行检验．并与之前的贝叶斯因子检验比较，发现这两种检验方法的结果是一致的，说明贝叶斯因子检验还是比较准确的，而且不需要设定检验统计量.而无论采用何种方法确定检验式中滞后截断参数，ADF检验通常都存在较严重的检验水平扭曲问题．