马尔可夫机制转换模型是当今比较流行的一种动态时间序列模型,它能将不完全可预见的、不确定的机制转换看作为一个随机变量,在时间上就具备了随机性和连续性的特点。随着马尔可夫机制转换模型的不断发展,将其与和传统的时间序列模型相结合,被广泛的应用于经济和金融领域的研究中。在大量的实证研究中发现,金融时间序列具有波动聚集性、结构不稳定性和尖峰后尾的特点,而传统的时间序列已经不能很好的刻画金融时间序列的这些特性。为更好地解决这类问题,将马尔可夫机制转换模型与传统的时间序列模型结合起来,提出了-和-等模型,解决了结构突变所带来的问题。但由于残差序列服从不同的分布,所以在正态分布的基础上,拓展到分布和广义误差分布等有偏分布中,大大提高了模型的拟合效果。本文选取2005年1月4日到2016年9月29日上证指数和2009年11月2日至2016年9月29号汇率日收盘价的对数收益率序列作为研究样本。分别采用基于估计方法下的模型和基于估计方法不同分布形式的-模型对数据进行建模,并对模型参数进行比较分析。在此基础上,运用不同分布形式下的-模型对样本外数据进行预测,并对预测结果进行比较分析。同时,应用高斯混合模型的算法对数据的状态数目进行检验。实证结果表明:(1)运用估计方法对模型的参数进行估计,通过构造系数的方法进行实证分析,并与基于估计方法下的-模型的参数进行比较分析,发现--模型能够更好的对数据进行描述。(2)在数据的持续性研究中,采用基于估计方法下的不同分布形式的-模型,对数据进行样本外预测,分布下的预测值更贴近于真实值,在拟合程度和波动性描述上效果更好。(3)利用高斯混合模型的算法,对两状态的-模型进假设性检验,通过对数似然估计值大小的比较,认为股票与汇率市场分两状态进行分析比较好。