金融数据的波动性一直是经济学研究的热点问题之一。通过对大量金融时间序列的研究,人们发现时间序列的波动呈现出时变性。描述时变波动的模型一般有两类,即自回归条件方差(ARCH)模型和随机波动(SV)模型。本文注重对后者进行研究。大量金融时间序列表明金融数据波动中存在一种很重要的实证特征,即“杠杆效应”,为此本文选取能够反映“杠杆效应”的非对称随机波动(ASV)模型作为基本模型。在经济现象中,许多经济变量是无法定量度量的,为了在模型中能够反映这些因素的影响,需要借助虚拟变量来实现。为了使ASV模型能够应用在更多经济、金融问题中,本文提出了一种基于ASV模型的扩展形式,即带有虚拟变量的ASV模型。模型的应用必然要涉及到参数估计的问题。对于SV模型,学者们提出各种各样的估计方法,目前最常用的方法是马尔科夫链蒙特卡洛(MCMC)方法。针对MCMC方法的特点以及待估模型本身的特征,本文首先对带有虚拟变量的ASV模型进行贝叶斯分析,并为参数选取合适的先验分布,然后构造基于Gibbs抽样的MCMC数值计算过程进行分析。论文的实证部分选取了“考察股指期货的引入对股票现货市场波动性的影响”为研究内容,利用带有虚拟变量的ASV模型对恒生指数进行拟合。另外为了将扩展ASV模型拟合结果与常用的GARCH模型进行比较,对于GARCH模型也采用了基于MCMC方法的贝叶斯分析,并利用DIC准则对二者进行优劣比较。实证结果表明：在“考察股指期货的引入对股票现货市场波动性的影响”的研究中,带有虚拟变量的ASV模型较GARCH模型拟合效果更好；同时,模型参数表明恒生指数期货的引入对股票现货市场的波动性并没有造成显著影响。