近似贝叶斯计算是近年来流行的一种似然自由的贝叶斯计算方法,主要用于复杂模型解决似然函数难以解析表达时的参数估计问题。本文利用基于经验似然的贝叶斯计算方法(BCel)和基于合成似然的贝叶斯计算方法(BCsl)分别对SV-N模型和SV-T模型进行数值模拟实验,从后验期望的统计特征和程序运行的效率两方面考虑,BCel算法更适合用于对SV模型进行参数估计。之后本文以我国上证指数为研究对象,根据上证指数日收益率的尖峰厚尾性、波动聚集性等统计特征,本文选用SV-T模型进行刻画,采用较优算法BCel算法对SV-T模型进行参数估计,根据得到的参数后验期望结果分析我国上海股市的波动情况。本文在后验分布的抽样方法上,引入哈密尔顿动力系统,参照MHsl算法,提出了基于合成似然的HMC抽样方法(HMCs1)。HMC抽样方法是一种建议分布基于Hamiltonian动力过程的Metropolis算法,利用了目标概率密度函数的梯度,可以探索后验分布支持域的其余部分,能够指导迭代更快找到正确的方向。本文将HMCs1算法应用到广义线性回归模型,实验结果显示HMCs1算法有效减少了 MCMC抽样的随机游走行为,能够快速到达真值附近,并且受初值影响较小,具备良好的收敛性。