为了对金融时间序列的高峰厚尾和波动聚集特点更好地描述,人们对时间序列模型不断改进,发展并产生了GARCH(广义自回归条件异方差generalized ARCH)模型,但是GARCH模型在时间聚合下不封闭,由此模型发展来的弱GARCH模型虽然在时间聚合下封闭,没有考虑以条件方差作为风险的相关度量。而且弱GARCH模型不能刻画杠杆效应和偏度。为了弥补弱GARCH模型的不足,Meddahi和Renault(2000)[1]基于半参数方法,提出了平方根随机自回归波动模型(square-root stochastic autoregressive volatility,SRSARV),该模型具有弱GARCH模型不具有的优点,并且该模型是一个包容性比较好的模型,能够涵盖目前已有的很多模型。本文首先对平方根随机自回归波动模型做了介绍,证明了SRSARV模型的多期条件矩限制、杠杆效应和偏度以及聚合性质,并详细讨论了SRSARV模型与ARCH(自回归条件异方差autoregressive conditional heteroscedasticity)模型、(半强/弱/非对称)GARCH模型及SV(随机波动stochastic volatility)模型的关系。基于kalman滤子和状态空间表达构建极大似然函数,对SRSARV模型进行参数估计。最后应用SRSARV模型,基于上证指数金融时间序列得出模型参数的相应参数估计,并对该金融时间序列进行拟合和预测,得到较为理想的结果。