在股票市场中,金融时间序列的波动通常是随着时间变化的,近年来,研究金融市场中波动率的变化特征已经成为了学者们关注的焦点。用模型对波动率进行模拟和估计是研究波动率的主要方法之一,因此,为了分析金融市场的波动性,GARCH模型和标准随机波动率(SV-N)模型在金融时间序列建模方面被广泛使用。然而,标准随机波动率模型存在潜在波动率,从而导致似然函数变为复杂的高维积分,因此,很多算法被研究用来解决这一问题。这篇文章通过选用特定的先验分布,用基于MALA算法的贝叶斯后验分布来构建SV-N模型,并把得出的参数的贝叶斯估计与stochvol软件包和MetropolisHastings算法的估计值相比较,从而确定模型的准确性。由于GARCH模型也存在缺点,它的波动率是由确定性方程决定的,因此,这篇文章的最后用贝叶斯因子的方法来比较GARCH(1,1)模型和SV-N模型在模拟金融时间序列方面的效果。本文以上证综指作为研究对象,选取2014年12月31日至2019年12月31日的每日收盘价作为研究样本,得出以下结论:首先,得到上证综指日收益率的描述性统计分析显示出了波动聚集性和尖峰厚尾特性,表明该金融时间序列适合建立SV-N模型。然后,推导出特定先验分布条件下MALA算法的后验分布,得出该方法的贝叶斯估计值与stochvol软件包和Metropolis-Hastings算法的参数的贝叶斯估计值相近。最后,根据贝叶斯因子的数值得出SV-N模型的仿真效果优于GARCH(1,1)模型。