金融风险是金融活动中不可消除的内在属性,资产波动率则是最常用的风险度量之一。由于波动率自身的一些特质,描述波动率的模型大多为ARCH模型和GARCH模型。这两类模型虽然可以构造尖峰厚尾的无条件分布,但无法描述冲击的杠杆效应。有鉴于此,本文采用A-PARCH模型刻画收益率的波动性。在有关波动率模型的文献中,估计方法多为极大似然估计或分位数回归估计。极大似然估计易受异常点的影响,且需事先假定误差分布;分位数回归估计在一定程度上改进了极大似然估计,但分位数回归估计易受分位点影响,可能存在信息缺失。有鉴于此,本文基于复合分位数回归(CQR)估计对A-PARCH(1,0)模型进行研究。首先在一定假设条件下,用CQR方法对A-PARCH(1,0)模型进行参数估计,并从理论上证明了估计量的渐近正态性。其次,对估计方法进行数值模拟,在数据的误差分布分别服从标准正态分布、t(2)分布和标准柯西分布下,分为有无异常值两种情况,与分位数回归(QR)估计进行比较,结果表明CQR估计的效果较优,MAE与RMSE较QR估计更小。最后,鉴于CQR估计在厚尾数据中的优良表现,我们在对近11年的道琼斯指数、标准普尔500指数以及上证指数三组收益率数据进行A-PARCH(1,0)建模时,优先考虑CQR估计,并将其结果与QR估计和极大似然估计(MLE)的估计结果对比,结果表明CQR估计最优,CQR估计下的RMSE较QR估计与MLE的结果均有明显下降。由于CQR估计在数值模拟和实证分析中的优良表现,基于CQR估计的A-PARCH模型能更有效地刻画金融收益率的聚集效应和杠杆效应。