金融时间序列的波动性是其一个很重要的特征,它反映了金融市场的风险,所以人们总是格外关注它。而许多学者把风险度量这个问题聚焦在波动的估计和预测上。为了解决这个问题,学者们提出了两类基本的模型:自回归条件异方差模型和随机波动模型。这两种方法首先能比较好地描述波动随时间变化的特征,然后还可以比较精确地定量计算波动率,所以被广泛应用。但是相比之下,随机波动模型的限制较少,能描述的波动性更广泛,也更优秀,不过其参数估计也更复杂,所以当时没有流行起来。随着计算机技术的提高,计算量大的问题也得到了解决,随机波动模型又开始被人们使用起来了。随机波动模型(Stochastic volatility model),本文简写为SV模型。由于SV模型没有闭合的解析式,所以其参数估计不能用经典的矩估计或者极大似然函数法,因此国内外学者提出了很多新的估计方法。本文重点讨论了马尔可夫链蒙特卡洛(MCMC)方法和经验特征函数这两种各具特点的随机波动模型的参数估计方法,这两种方法各有优缺点。马尔科夫链蒙特卡洛方法的估计模型预测精度更高,但是计算量大,效率低;经验特征函数方法估计出的模型预测精度稍低,但是计算量小,效率高。考虑到波动的过程可能会产生结构性的突变,本文采取小波分解的方法,把数据分解成高频与低频信号,再利用这两种参数估计方法对模型参数进行估计,得到高频SV模型和低频SV模型,理论上这两种不同频率的数据的结构应该是有不同的。然后把两个模型线性相加,得到整合后的新的模型,新的模型参数应该更加合理,预测精度也更加准确。本文选取上证综指2011年11月3日到2017年12月31日的1500个交易日的收盘价最为实证数据,采用MCMC方法和经验特征函数方法对ARSV(1)模型进行估计,发现两种方法估计的波动持续性参数没有太大差异。但是MCMC方法估计时间长,而经验特征函数的估计时间短,然后利用这两种方法估计出的模型进行预测发现MCMC方法估计出的模型估计精度更高,最后,结合小波分析方法得到分频SV模型,通过以上两种参数估计方法得出模型之后进行预测。发现小波分析方法结合MCMC或经验特征函数方法估计的SV模型具有更好的的预测效果。进而得出结论,小波分析分频率估计SV模型可以改进参数估计结果。