在金融市场中,波动或波动性（fluctuation）是指金融资产在某段时间的变化,统计上一般以特定时间内标的资产价格涨落的标准差来衡量。波动率（volatility）,作为金融市场中特有的名词,是指金融资产（包括股票、债券和利率等）价格波动的强弱程度。实际上波动率是不可观测的,只能基于标的资产的损益的标准差来估计资产在某个阶段的波动率。波动率的建模并解决风险管理和衍生品的定价始终是金融市场的热点及难点。金融资产的价格或损益通常用时间序列来建模。时间序列的波动主要通过两类模型进行分析:广义自回归条件异方差（GARCH）模型和随机波动率（SV）模型。与GARCH模型相比,SV模型已经被证明具有一些理论优势,例如定价差异更小,并且在“波动率微笑”上的拟合效果更好等。然而,由于SV模型的似然没有解析表示,无法使用传统的极大似然估计进行参数估计,而基于MCMC方法的贝叶斯估计的复杂性一定程度上阻碍了其被广泛使用。本文提出一种新的估计方法,即基于MH采样的贝叶斯合成似然方法（MHBSL）。MH是高效的后验分布抽样方法,而BSL可以解决似然函数复杂、难以处理的情况,二者的结合可以有效地解决SV模型的估计问题,使得对SV模型的贝叶斯分析更加快速准确。本文通过模拟和两个实际例子说明了MH-BSL算法的可行性与有效性,与传统的贝叶斯合成似然（BSL）方法比较,MH-BSL算法可以有效弥补仅用BSL方法拟合波动率的不足,且可保证新的算法下参数估计的精度和运行时间。针对金融市场中尖峰厚尾这一特性,我们还将MH-BSL算法应用于稳定分布-SV模型,进一步验证了其可行性和有效性。本文的研究表明,MH-BSL算法可以实现SV模型更有效更快速的参数估计,并用于解决金融资产波动率的相关问题。