在金融学理论上,风险评估和资产定价是两个重要内容。波动率的研究在风险评估中起着举足轻重的作用,同时大量研究表明金融资产的波动同样可以影响到资产定价,分析波动率风险溢价即资产波动率对其价格的影响,这是金融学研究关注的核心问题之一。一直以来,有关波动率和风险溢价的分析研究受到国内外学者们的普遍关注。过去,学者们针对波动率模型做了大量的分析研究,然而在模型的发展上一直有待成熟。直到Creal、Koopman和Lucas（2013）的广义自回归得分（Generalized Autoregressive Score,GAS）模型,给出了数据驱动波动率模型的普遍框架,通过密度函数得分更新时变参数,充分利用了分布信息,包含了传统时变均值和许多条件异方差模型,如自回归移动平均（Autoregressive Moving Average,ARMA）、广义自回归条件异方差（Generalized Autoregressive Conditional Heteroskedasticity,GARCH）、指数广义自回归条件异方差（Exponential Generalized Autoregressive Conditional Heteroskedasticity,EGARCH）、自回归条件持续期（Autoregressive Conditional Duration,ACD）模型等。目前GAS模型在众多应用领域中均取得了不错的效果,不过基于GAS框架的波动率模型构建和分析相对较少,尚存许多研究空间。与此同时,对波动率风险溢价进行研究时,目前主要利用依均值GARCH（GARCH in mean,GARCH-M）类模型,在收益率均值模型中加入波动率的影响,假设收益率和波动率呈一定的线性或非线性关系,以GARCH条件异方差模型实时驱动时变波动率。GARCH-M类模型存在一定的不足,例如在建模时会存在“维数灾难”问题,对模型参数的限制过强,提供了一个机械的方式来描述条件异方差的行为,却不能解释异方差变化的来源。因此,对于国内股票市场,我们需要探究一种更合适的模型和研究方法。由此,本文在Engle、Lilien和Robins（1987）的GARCH-M模型基础上,将GAS模型进一步扩展为依均值GAS（GAS in mean,GAS-M）模型。通过模拟实验验证了t分布和正态分布下,GAS-M模型的优越性。最后,以上证指数近5年来的日以及日内5分钟收盘价数据为实证对象,通过ARMA-GARCH、GARCH-M、ARMA-GARCH-M、GAS-M和ARMA-GAS-M模型对上证指数收益率、波动率进行拟合和预测分析,波动率风险溢价进行阐述。本文的主要内容包括以下五章:第一章,叙述研究背景和意义,然后对波动率模型、风险溢价相关文献以及研究现状进行阐述介绍,并对本文的相关内容以及创新点进行概括。第二章,基础模型的介绍。本文根据时间发展的脉络,介绍了GARCH、GAS和GARCH-M模型,给出了以上模型的相关推导和联系,并且对一些衍生模型作出阐述。第三章,构建GAS-M和ARMA-GAS-M模型,对模型进行推算演示,介绍极大似然估计方法,最后,对各个模型的收益率残差基于正态分布和t（8）分布进行模拟检验。第四章,实证分析。以我国上证指数近5年来的数据为实证样本,首先进行描述性统计分析,对上证指数的相关性质进行描述;然后利用极大似然方法估计出相关参数,用SPA方法进行预测检验;最后以波动率、收益率拟合图和预测图,进行对比分析。第五章,对本文的主要内容进行总结归纳,对未来需要进一步研究的方向进行总体展望。