Black和Scholes在1973年发表了第一个期权定价模型，他们对作为标的物的股票的价格运动规律作了一个基本的假定：即股票价格的运动是连续变化的，遵循带漂移的几何布朗运动。虽然Black-Scholes公式在市场的实践中得到充分检验，但是，不足之处在于假定影响标的资产价格波动的系数σ是常数。对Black-Scholes公式的改进是一个引起广泛关注的问题。82年开创的ARCH模型、随后改进的GARCH模型、及以后的SV模型，都对收益率波动的拟合比较成功。但是，近来的国外研究表明，SV模型往往不能同时刻画出收益率波动的所有方面，刻画出的波动特征常常糅合在一起难以区别。国内关于随机波动的研究也较多，但通常都是离散SV模型。由于计算机实现上的困难，国内对状态变量部分可观测的连续时间SV模型进行研究的文献并不多。针对这一不足，我们对Black-Scholes公式加以改进，并在此基础上，通过研究连续时间SV模型来描述金融资产的收益率波动的情况。 本文利用清华同方的股票日收益率数据研究和比较了两个连续时间随机波动模型，其中一个是单因素随机波动模型，另一个是两因素随机波动模型，我们所使用的估计方法是Gallant和Tauchen(2003)提出的有效矩估计法(EMM)。 在进行模型的参数估计之前，我们利用原始数据、极大似然估计法以及模型选择策略(如：BIC准则)，确定密度函数展开式的阶，通过这种方法得到了SNP(SemiNonParametric)密度函数。实证表明，清华同方的股票日收益率服从的是半参数GARCH型的密度函数。 有了SNP密度函数后，对设定的模型进行数据拟合，将拟合的数据和辅助模型的参数估计值带入SNP密度函数中，根据矩条件，分别得出设定的两个连续时间随机波动模型中参数的估计。实证结果表明，单因素SV模型设定合理的原假设被拒绝；而在两因素SV模型中，三次模拟得到的χ2值都小于临界值，模型设定比较合理。从对辅助模型参数的t值诊断中，我们看出，单因素SV模型刻画出了收益率的波动情况，但是波动的持续性和集聚性特征糅合在一起难以区别。而两因素SV模型不仅刻画出了收益率分布的厚尾特征，同时体现了收益率波动的持续性特征。 不论待估计的模型的设定是什么样的形式，在用有效矩估计方法进行估计时，这些模型的矩条件都是相同的，都是根据第一个步骤中的辅助模型来确定的。EMM方法的一个最大的优点在于，以辅助模型作为原始数据的分布密度函数，通过对辅助模型中各系数的t值诊断，甄别出设定的模型没有刻画出金融资产收益率数据的哪些特征，从而可以对设定的不同模型进行分析和比较。