2007年金融危机爆发之后,全球经济遭受衰退进入长期的经济低迷期。在经济下行的影响下,各国央行推出一系列宽松的货币政策来进行经济刺激。通过多次大幅下调货币政策利率,全球范围内掀起了一股“降息潮”。但是由于传统政策效率不及预期,出现大量“非常规”的货币政策。一些国家和地区如丹麦、瑞士等将短期利率下调至0甚至为负,对货币政策的中介目标进行调整来刺激实体经济。在此期间,货币政策的地位大大提升,大量“非常规”的货币政策不断涌现。在这一过程中,货币政策的经济地位的加强使得货币政策的使用频率加大、货币政策当局行动的不确定性加大。货币政策的不确定性不利于经济的健康发展,保持货币政策环境的稳定透明有利于降低金融风险。在股票市场中,股票市场波动率是金融风险的主要体现,货币政策的不确定性对股票市场的波动率将产生重要影响。另一方面从理论上而言,根据条件CAPM模型,我们可以得出股票的波动率与无风险利率的波动相关。受此启发,本文着眼于货币政策不确定性与股票市场波动率这两者的关系,通过量化分析的方式,来分析我国货币政策不确定性对股票市场波动率的影响。要衡量货币政策不确定性,目前的方法主要有:1)基于新闻报道使用文本词频分析编制的货币政策不确定性指标,但由于数据频率为月度数据,不符合本文的分析要求;2)使用短期利率期权的隐含波动率作为货币政策不确定性的代理变量,但由于我国金融市场的发展程度不及欧美国家,我国尚未推出利率期权,该方法并不适用;3)使用时变波动率模型中的波动性指标作为货币政策不确定性代理变量。本文正是采用第三种方法,使用我国银行间质押式债券回购利率（Repo）7天加权平均利率的日度数据,建立随机波动模型。对随机波动模型的估计,本文通过马尔科夫蒙特卡洛（MCMC）方法实现,测算出随机波动模型的波动性指标作为货币政策不确定性的代理变量。对于股票市场波动率,本文使用沪深300指数波动率来衡量。在股票波动率的研究上,国内外学术界的研究基本上都是分成两类:一类是采用股票价格的标准差作为股票波动率的衡量,然后运用自回归条件异方差模型（ARCH）等基本模型和衍生模型来进行波动率建模和预测;另一类则是非参数化方法,已实现波动率RV。本文采用的是后者,通过使用5分钟日内高频数据,得到沪深300指数的已实现波动率RV。但是在已实现波动率RV的基础上,本文进一步建立高斯状态空间模型,通过卡尔曼滤波来得到真实波动率的估计。根据数据的可得性,本文采用的数据是2005年4月-2018年12月,在以上时间区间内,分别通过上述的方法得到货币政策不确定性和股票市场波动率指标。本文通过对货币政策不确定性指标与对股票市场波动率建立一个向量自回归滑动平均模型进行实证发现,货币政策不确定性对股票市场波动率有显著的正向影响。