为了有助于投资者作出合理的决策，越来越多的研究者利用统计模型探讨金融资产收益率的特征，其中较为常用的模型是随机波动(SV)模型，该模型可以很好地刻画金融资产序列存在的时变性和聚集性，然而，收益率序列中常常存在非对称和厚尾现象，而经典的SV模型难以合理刻画该类特征，为此，论文在标准SV模型的基础上，构建了TLSV-GHST模型，该模型不仅引入阈值和杠杆效应，还利用GHST分布取代常规的正态分布来刻画随机误差项，而且TLSV-GHST模型可以同时捕捉数据中非对称性、杠杆效应、偏态性、厚尾性等特征.
　　对于SV模型，目前已有很多参数估计方法，如广义矩估计方法、有效重要抽样方法、贝叶斯方法等，本文将利用流行的贝叶斯方法研究TLSV-GHST模型的参数估计问题，论文首先给出了参数的先验分布，然后经过详细计算推导出参数和潜在变量的后验分布，在此基础上，论文结合Gibbs抽样和MH算法给出了TLSV-GHST模型参数估计的具体算法，另外，论文还进行了先验分布的敏感性研究，以及基于DIC准则比较了本文所提模型与其它几种改进的SV模型的拟合效果.
　　为了研究所建模型与参数估计方法的有效性，论文进行了一系列的蒙特卡洛随机模拟研究，所得结果表明了参数估计方法的有效性，而且提出的TLSV-GHST模型能较好地拟合不同模型产生的数据，进一步，基于标普500指数和上证综合指数的实证研究，可以发现，TLSV-GHST模型的拟合效果优于参与比较的其它阈值随机波动(TSV)模型，能较为有效地捕捉金融资产收益率的偏态厚尾以及非对称性，同时，研究还表明正向冲击对收益率的影响大于同等程度的负向冲击，即存在较为显著的杠杆效应.
　　我们知道，TSV模型中的阈值参数通常固定为0，但是在实际数据中情况未必如此，因此，论文在TLSV-GHST模型的基础上，将阈值作为未知参数构建了TLSV-GHST-r模型，并对其进行了贝叶斯估计，在模拟研究以及对澳洲普通股票指数的实例分析中，我们发现，改进后的模型有较好的拟合效果.