Bayes统计学是专门用来解决计算问题的一门学科,在Bayes统计学中,马尔科夫链-蒙特卡罗(MCMC)计算是解决一类计算问题的首选方法。对MCMC算法的深入研究有利于我们更深刻的理解Bayes原理,从而使得我们对Bayes原理在科研和生活中的运用有更好的把握。在国外已经有大量学者对MCMC算法有过深入的研究和推导,但仍缺乏对于MCMC算法在计算中如何实现的研究。在国内,利用MCMC原理并使用计算机模拟的研究更是屈指可数。本文所做研究利用MCMC方法原理和Gibbs抽样的具体实现方法,同时利用计算机随机模拟的能力,通过计算机可以完美的模拟出正态分布的形态等优势。采用Matlab编程软件,对如何编程实现MCMC算法自动化做了初步的理论与实践相结合的探索。本次实验我们研究流动性不好的资产的beta值以及其它参数,即此时公司的收益率数据为离散值,非连续的。因此我们需要利用MCMC原理,求得公司的有关参数的后验分布,从而得到公司的相关参数,再去了解公司与市场相关或者不相关的情况。通过理论与实践相结合,我们首先对Gibbs抽样算法有一个基本的流程归纳:在贝叶斯中,我们将每一个不知道的参数均看做随机变量,并且服从一定的分布,所以我们要做的就是要得到我们所感兴趣的参数的后验分布。首先我们需要对后验分布的形式进行假设,以及相关模型的建立,然后我们对先验分布和初值进行假设或者模拟,随后我们对模拟出的连续性收益率进行贝叶斯线性回归。得到各个参数的后验分布的一个抽样值,该值作为初值继续进行迭代,直到我们得到的马尔科夫(Markov)链收敛为止。这样我们迭代足够长的次数,得到了一条马尔科夫链,去掉前面的初始模拟阶段(Burn-in period)后,我们得到的后面的马尔科夫链每次的值就可以当作是我们从后验分布中随机抽取的样本值,这样我们随后就可以利用这条马尔科夫(Markov)链上的值对我们所要求的参数的后验分布的均值与方差进行推导,得出的均值就可以当作是我们所感兴趣的参数的值。在研究非流动资产的问题时,收益率数据都是离散值,因此在Gibbs迭代之前,我们还要利用卡尔曼(Kalman)预测对我们所不能观察到的数据进行有理论依据的预测。这样我们才能得到有根据或者说有经验的先验值,这样才不会导致计算结果持久不收敛的情况。