信息技术的快速发展和金融市场日趋全球化的倾向,导致新型金融产品大量涌现,极大地增加了金融投资和银行业务的复杂性,而区域性金融风暴和银行危机都表明,需要加强对金融产品稳定性的研究。对金融业进行谨慎的管制,除了需要发展新的更贴近现实的理论模型外,更迫切的任务是,需要以微观数据为基础的实证研究。金融资产价格的波动是金融体系风险积累的重要来源之一,几乎所有的金融危机都与金融资产波动有关。因而,对于波动性的定量计量建模是对金融资产波动性研究的核心内容之一,目前,各种统计建模的方法越来越多的应用于金融领域。大量的实证研究表明,金融数据中存在着波动集聚性和尖峰厚尾性,因此,用一般的时间序列模型来拟合金融数据的波动性显得不合适。GARCH模型是目前度量金融市场波动性的有力工具之一。参数GARCH模型是最常用的模型,但对于此模型的参数估计和相应的统计推断一直以来是个难题。传统的方法是基于极大似然估计(ML)的基础上运用最优化理论来对参数给出估计,然后导出参数的极限分布进行统计推断,但由于GARCH模型对其参数有一定的约束条件,使得此优化算法方法较为复杂且使得基于此方法而衍生出的进一步的统计检验,如:LM,Wald,LR,等方法的可靠性受到质疑。本文中,我们运用马尔科夫蒙特卡罗(MCMC)方法对残差基于正态分布的GARCH(1,1)模型进行估计,此方法通过构造收敛于待估计参数分布的随机过程而克服了运用最优化算法估计GARCH模型中参数以及对相应参数进行统计推断所产生的上述问题。实证分析结果表明:基于马尔科夫蒙特卡罗(MCMC)方法估计的GARCH模型比基于极大似然估计(ML)方法估计GARCH模型更灵活、统计推断的结论更可靠。最后,我们还给出了一个计算风险价值(VaR)的算例。