上海银行间同业拆借利率(SHIBOR)的出现推动了我国利率市场化的进程。作为市场基准利率,SHIBOR的波动变化反映了整个金融市场的利率预期,它对我国的金融安全和金融产品定价有着决定性的影响。同时,SHIBOR也是中国人民银行调控货币供给、实现货币政策目标的重要手段。所以,对SHIBOR的波动率进行建模和预测具有重要的理论意义和实际意义。SHIBOR具有尖峰厚尾、波动聚集、非连续性和非对称性等特征。目前常用于研究SHIBOR波动的模型主要是GARCH模型,这类模型能够比较好地刻画SHIBOR的波动特征。但是有些文献指出随机波动(SV)模型对金融资产波动拟合和预测的效果更好。因此,本文同时用这两类模型对SHIBOR的波动率进行建模,并且比较了这两类模型预测SHIBOR波动的能力。本文首先介绍了五种 GARCH 模型:GARCH(1,1),GARCH(2,1),GARCH-t,GARCH-J 和 GARCH-GJR,以及五种 SV 模型:SV(1),SV(2),SV-t,SV-J,和SV-L,这些模型分别可以被用来刻画SHIBOR不同的动态特征。然后,我们利用贝叶斯方法分别估计这些模型的参数和边际似然率,再通过边际似然率综合比较这些模型的预测效果和模型本身的复杂程度。本文发现,SV模型的表现在总体上是要优于GARCH模型的。并且,在这些模型中,预测效果最好的是SV(1)模型。另一方面,本文发现在对SHIBOR波动率进行建模时,我们只需要用AR(1)过程就够了,而不需要用AR(2)过程。接下来,实证分析发现,基于t分布拟合之上的GARCH模型要优于基于正态分布之上的GARCH(1,1)模型,这说明如果假设残差是服从t分布而不是服从正态分布的,可以显著提高GARCH模型的预测能力,因为它更好地描述了 SHIBOR尖峰厚尾的特征。同样地,由于SHIBOR波动存在跳跃等非连续性过程,本文也发现GARCH-J模型比GARCH(1,1)模型的预测效果要好。然而,对于SV模型而言,由于它多了一个随机过程,所以它比GARCH模型更具有灵活性,从而它不需要加入t分布或者跳跃项就可以很好地刻画SHIBOR的动态特征。最后,本文发现GARCH-GJR(SV-L)模型和标准的GARCH(SV)模型对SHIBOR波动率的预测效果差不多。这是因为虽然存在杠杆效应,也就是说负的信息冲击和正的信息冲击对SHIBOR波动率是不对称的,但是GARCH-GJR(SV-L)模型也要比标准的GARCH(SV)模型复杂很多,而边际似然率这一指标内在地会“惩罚”模型的复杂程度。之后,本文还分析了模型参数的估计结果,并利用这些结果进一步分析了GARCH模型和SV模型的差异。接下来,本文还进行了一些稳健性检验,并讨论了不同的数据对我们的结果是否有影响。本文最后考虑到边际似然率对先验分布的敏感性,利用DIC准则和对数预测得分等其他指标比较GARCH模型和SV模型预测SHIBOR波动率的能力,并且发现与我们之前的结果是一致的。所以,本文得出结论,SV模型比GARCH模型更适合用来对SHIBOR波动进行建模和预测。