我国经济经过几十年的快速腾飞,在经济快速增长的同时,也显现出了一些问题,比如金融市场显著的波动性。在金融市场中,资产定价、风险度量、投资组合管理都是其组成的重要部分,取决于资产的波动率。资产波动率在以前长期都被假设是一个不为零的简单的常数,很显然将波动率做如此简单的假设是不合理的。相较于传统的GARCH模型简单假设条件方差与前期扰动和前期条件方差具有特定的函数关系,SV模型提出条件方差可以引入随机扰动项,这更符合金融时间序列的动态特征。在SV模型的实际运用中,最复杂的过程是模型的参数估计部分,由于相对于高斯分布的假设,金融时间序列通常表现出显著的高峰厚尾特性,并且数据序列的波动性和收敛性一般有相关性,所以基本SV模型在我国人民币汇率市场中估计的结果差强人意。考虑到外币兑人民币汇率的持续性,时变性,尤其是其“缩小利空,放大利好”的非对称特性,结合模型拟合检验结果,因此,我们需要根据不同的数据特征采取不同的随机波动模型。我们采取贝叶斯估计及马尔科夫链蒙特卡洛模拟方法对基本的SV模型和SVt模型进行贝叶斯分析后,根据计算出的模型参数的后验分布密度,对其进行Gibbs抽样及MCMC计算。通过Eviews及Winbugs软件的运行结果,计算出两种模型所含的各个参数的估计值,最后经过分析比较所求出的估计值,发现找到适合描述美元兑人民币汇率波动情况的模型,并由此提出了不同于目前研究的普通高斯分布的非高斯随机波动模型,当金融时间序列的观测值具有明显厚尾性和突然性变动时,这种模型比普通的高斯随机波动模型更适用。