我国股票市场,在经历了25年的发展之后,已成为具有第二大全球市值比重的股票市场,占比超10%,具有非常广阔的发展前景与非常巨大的发展潜力。同时,股票市场和国民经济密切相关,对其波动特征及相关影响因素的研究具有重要意义。而大量研究成果证实金融时间序列具有高噪声、非平稳、非线性等特性。希尔伯特黄变换(HHT)自1998年正式提出以来,作为一种直观的、数据驱动的自适应算法,对处理广泛存在的频率随时间变化信号中非平稳、非线性过程的分析效果显著。本文对金融时间序列具备的非平稳、非线性特点进行充分考量,在实证过程中引入HHT方法,对我国上证指数时间序列进行建模分析。首先利用HHT方法中的经验模态分解(EMD)算法对样本数据序列进行筛分,得到8个本征模态函数(IMF)和1个趋势余项。通过分量重构,证明了EMD算法的有效性和完备性。接着利用希尔伯特谱分析,辅以主成分分析法、方差贡献占比等方法,按评估结果将各分量按频域划分(高频、低频、趋势项)并进行波动特征分析。同时,将代表上证指数中长期波动的低频分量与宏观经济变量(工业增加值同比增速、CPI同比增速、SHIBOR 1W与LIBOR 1W之差、平均汇率和广义货币供给量)建立VAR模型进行分析,得出结论;上证指数中长期波动与平均汇率呈负相关关系,与CPI同比增速、工业增加值同比增速和广义货币供给量呈正相关关系,与SHIBOR 1W与LIBOR 1W之差呈正相关关系,但关系较为微弱。对代表了上证指数短期波动的高频分量,利用Hilbert谱分析,结合Mann-Kendall突变检测方法,通过寻找谱中突变点,读取突变点的瞬时频率和瞬时振幅,并对其进行解析,并与现实事件进行对照验证检测有效性。最后,根据实证结果得出相应结论,指出本文的创新点与不足,并对未来研究进行展望。