金融证券的定价，风险管理以及投资组合的设计，都依赖于收益率的行为。在学术界以及实务界都普遍认同的特征，最重要的就是时间序列的集簇(cluster)现象，以及其分布的厚尾性(其实是集簇现象的统计上的体现)。但是对于其刻画，有很多不同的思路，最早就Engel提出的著名的自回归条件异方差(ARCH)模型，目前流行的有随机波动(SV)模型。而这些模型的缺陷在于，虽然它们很好的解决了波动的聚集现象，但对金融市场中的突发事件缺乏好的解释能力，跳跃过程恰好弥补了这方面的不足。可以把跳跃过程加入到上述的波动模型中来解释此类突发事件。因为能够解释金融市场中的偶发的、大的波动，跳跃过程为SV模型提供了重要的补充。 目前对于股票收益率的建模的一个趋势是描述其跳跃的行为，并且大量的实证经验表明股票收益率服从的随机过程中确实有跳跃的成分。这样近年来有很多文献通过各种方法来估计收益率的跳跃，有非参数的方法，也有参数的方法。但是大多数方法的建模在考虑波动率随时间变动的时候，把其分成两部分，一个是服从波动率随时间变化的布朗过程引起的，一个是跳跃引起的，并且致力于两者的分离，并做出解释。但是很少有人把波动率的变化完全归结为跳跃引起的，并给出模型。本文就是给出一个完全由跳跃决定波动率变化的参数模型(确实有文献实证表明，在某些数据里跳跃发生的频率相当高，甚至布朗运动部分只占收益率的很小的部分，绝大部分是跳跃)。 近来的研究，包括Das(2002)，Lin，Kinghtandsatchell(1999)，Johannes，KumarandPolson(1999)，和Oomen(2002)，指出仅仅用跳跃过程就可以为金融收益率提供一个很好的模型设定，这些应用都刻画了跳跃的发生与某个指标的某种相关，比如，Johannes，KumarandPolson(1999)让跳跃的发生依赖于前期的跳跃及收益数据的绝对值。 本文在这些模型的基础上，通过分析股票市场收益率的特征，提出一个新的刻画收益率的模型，本模型利用跳跃过程来捕捉条件方差的持续性，其中跳跃服从非齐次的泊松过程，跳跃的强度由不可观测的AR(2)过程决定，跳跃幅度的分布是条件异方差的。并应用此模型对上证指数进行建模，同时还与目前流行的SV模型和本文提出的模型进行了比较，得出了本模型优于SV模型的结果。对于本文的模型采用了MCEM和MCMC两种算法进行了估计，对于SV模型用了EMM和MCMC算法进行了估计，估计结果的一致性证实了估计结果的稳定性。