马克维茨的均值方差模型中,第一次运用波动率来定量地衡量金融资产的风险。随后,针对金融资产波动率的研究逐渐围绕着对波动率的均值回复现象和波动率的聚集现象的研究展开。金融资产收益率的波动存在着很多的特性,主要有厚尾分布(fat-tail)、非对称影响(Leverage)、波动率聚集(Volatility Clusters)、波动率的均值回复(Mean Reverse)、跳跃(Jump)等等;而通过对过去的研究的总结发现,无论是Garch模型簇还是SV模型簇,都没有很好的模型在一个模型中能够刻画厚尾特征和非对称效应,因此,在过去研究的基础上,提出了非对称的厚尾的随机波动模型,并且在此模型的基础上,加入了跳跃因子,得到了带跳和非对称效应的厚尾随机波动模型用来刻画金融资产的跳跃现象。本文中讨论的随机波动模型同时兼顾了股票市场的非对称效应、厚尾效应和跳跃特征,对新的模型的结构进行了统计分析,接着通过贝叶斯分析推导得到了参数的后验分布,并设计了模型参数估计的吉布斯算法;选择创业板指数作为研究对象,利用带跳和非对称效应的厚尾随机波动模型进行波动率预测,同时,运用MSE、QLICK损失函数对跳跃厚尾非对称的随机波动模型、厚尾随机波动模型以及标准随机波动模型的预测效果进行比较分析,并运用D-M统计量对模型的预测效果的优劣进行了显著性检验。研究结果表明:近几年来中国股市具有明显的波动持续性、非对称效应、厚尾现象和跳跃现象,中国股市的跳跃现象比美国股市更加明显。在对中国股市的波动率预测方面,带跳和非对称效应的厚尾SV的预测效果比非对称的厚尾SV模型和厚尾SV模型好,而非对称厚尾随机波动模型又要比标准随机波动模型好。