波动性是金融市场最为重要的特征之一,它是资本资产定价、风险管理和投资组合理论的核心变量。通常,用来描述金融时间序列波动性的模型主要有两类,一类是ARCH模型,此类模型中的条件方差为过去的观测值和误差的平方项的线性形式；另一类是随机波动模型,与ARCH类模型不同,随机波动模型中的方差由一个不可观测的随机过程决定,所以它被认为更加适合金融领域的实际研究。然而随机波动模型也有着自己的缺陷,即不能刻画金融市场中突发的大幅度波动特征(跳跃特征),并且这类型的波动又是实际存在的。因此,本文提出了贝叶斯跳跃厚尾随机波动模型,用来刻画金融时间序列的跳跃特征。首先,对跳跃厚尾随机波动模型进行结构分析,再通过对模型的状态空间转换以及模型参数的贝叶斯推断,设计了模型参数估计的MCMC抽样算法,利用卡尔曼滤波和高斯模拟平滑方法估计模型的潜在波动。然后使用高斯核密度估计方法估计模型参数的后验密度函数值,并据此设计了计算跳跃厚尾随机波动模型边缘似然函数的核密度算法,从而解决了贝叶斯因子的计算问题。最后,选择上证综合指数作为研究对象,以分析中国股市的波动特征,并与美国股市的波动特征进行比较,同时,运用贝叶斯因子对跳跃厚尾随机波动模型、厚尾随机波动模型以及标准随机波动模型进行比较分析。研究结果表明：金融危机背景下的中国和美国股市都具有明显的波动持续性和跳跃特征,且中国股市的跳跃发生频率和波动水平都要高于美国股市,但是跳跃幅度却小于美国股市。在刻画中、美两国股市的波动特征方面,跳跃厚尾随机波动模型要明显优于厚尾随机波动模型和标准随机波动模型,而厚尾随机波动模型又要比标准随机波动模型好。