近年来,对互联网金融产品收益的波动性研究及其风险测度对投资者和监管部门都越来越重要.本文以余额宝的万份收益率为研究对象,在对其互联网金融特征探究后,建立Bayes-SV-T模型研究其整体的波动特征,据此再建立Bayes-POT模型对其尾部风险进行测度.本文的研究内容主要分为三大部分:第一部分是对余额宝运行模式概述后对其数据的互联网金融特征进行探究,为模型的设定和检验奠定基础.本文分别从波动性、尾部及峰部三个角度探究了余额宝的互联网金融特征.对于波动性,划分小样本并将其标准差与总体标准差进行比较,发现上一期波动对当前波动有明显的影响.在研究尾部和峰部时,以标准正态分布和t分布为比较标准,将余额宝的收益率数据进行相同统计口径的标准化后,在判定尾部长短特征时,在样本分布的尾部上选取一个分位数值作为某区间的左端点,固定该区间内的概率值,以此确定该区间的右端点,从而计算该区间的长度,通过三种分布的区间长度比较,发现余额宝样本数据对应的区间长度最长,从而其尾部更长;在判定尾部厚薄特征时,对于三个分布,选取完全相同的尾部区间,分别计算样本点落在该区间内的概率,发现余额宝收益率的该概率最小,从而其尾部更薄;在判定峰部特征时,对每一个分布,在其众数附近建立概率非零性和概率可区分性规则,确定一个充分小的邻域半径,并计算样本数据落在该邻域内的概率,经过比较发现余额宝收益率分布具有更尖的峰.第二部分是在第一部分研究的基础上,建立Bayes-SV-T模型对余额宝收益率的波动性进行研究,并为第三部分Bayes-POT模型的构建奠定基础.首先,基于所发现的互联网金融特征以及SV模型相比于GARCH类模型在模型形式、参数数量、参数估计和模型检验上具有的特定优势,将模型设定为SV-T模型.其次,确定模型的似然函数并根据其核设定各参数的先验分布,推导参数的联合后验分布及各参数的满条件后验分布,据此利用Gibbs抽样对参数进行估计,得到Bayes-SV-T模型.然后,据该模型对波动性进行分析,发现波动具有较强的持续性,波动水平最高为0.6528,最低0.039,且在2015年7月16日之后,以平均波动水平值为水平轴,波动曲线呈现出周期为890天,振幅为0.2的正弦曲线特征.最后,用随机模拟法对模型进行检验,将模拟样本与真实样本的分位数值进行比较,发现误差在0.1%左右,验证了模型的可靠性并对收益率进行了预测.第三部分是在上面Bayes-SV-T模型的基础上,进一步构建余额宝收益率的Bayes-POT模型,对其尾部风险进行动态VaR测度.首先对Bayes-SV-T模型的扰动项进行POT模型的类别设定及阈值的确定;其次建立Bayes-POT模型并求解,据此计算收益率的动态VaR值,然后分别运用Kupiec似然比和贝叶斯方法对VaR值进行检验并比较,结果表明本文构建的风险测度模型是可靠的,且贝叶斯方法下的检验较优.最后利用模型对动态VaR值进行外推预测.