在金融数量与金融时间序列分析中，经常会遇到大量的非负值金融时间序列。处理非负值变量的传统常用手段包括忽略非负性和对非负值过程取对数两种方法，但通常会导致扰动项的分布设定苛刻和有限样本估计受较大影响的不良后果。为了克服这些困难，Engle（2002）在《NewFrontiersforARCHModels》一文中对几十年以来ARCH类模型、ACD模型的发展等情况做了详细阐述，并提出了一种适合于非负值金融时间序列的新模型—乘积误差模型（MEM）：将所要研究的非负值时间序列过程用一个条件确定性的时变尺度因子与一个取值为正的随机变量相乘来刻画。自从乘积误差模型提出后，其思想和估计方法被广为使用，这一较为完善的模型为国内外学者们研究金融市场微观结构提供了一个新的平台。许多文献给出了乘积误差模型的经典估计方法：拟极大似然估计，但是当历史数据量不够多的情况下，拟极大似然估计效果并不理想，所以需要一种基于小样本的参数估计方法。因此，本文选择将贝叶斯估计引入乘积误差模型的参数估计中。
　　由于贝叶斯估计充分利用了样本信息和参数的先验信息，使得贝叶斯估计量具有更小的方差或平方误差，能够得到更精确的预测结果。因此将贝叶斯估计方法应用于乘积误差模型的参数估计，能够很好的提升一定样本下乘积误差模型的估计和预测精度，同时乘积误差模型的一系列的约束条件也适合用贝叶斯估计方法进行参数估计。
　　本文在理论上提出乘积误差模型的贝叶斯估计，进行了一系列的理论推导，扩展了乘积误差模型的估计方法，扩宽了乘积误差模型的使用范围，对乘积误差模型研究更加深入，具有一定的理论意义。通过蒙特卡洛模拟，对乘积误差模型的两种估计方法的估计效果和预测能力进行了比较与分析，模拟结果显示贝叶斯估计提高了乘积误差模型的估计精度，估计结果具有有效性、一致性等统计性质，其预测能力也优于拟极大似然估计。本文还立足于沪深300股指日价格极差数据进行实证分析，实证研究结果显示在我国股票市场上贝叶斯估计有着优越性，乘积误差模型估计精度得到提高。将乘积误差模型的贝叶斯估计应用到我国证券市场数据，为研究我国金融非负值时间序列提供有力工具。这对于探索我国期现市场波动规律、营造良好的市场制度、健全和完善金融体制、稳定金融市场等等具有一定的现实意义。