金融时间序列历来是金融领域重点研究的对象。最早的Black-Scholes（B-S）模型为资产定价提供了理论依据,然而人们在实际应用中发现,B-S模型中通常假设波动率为常数,这一假设与实际中金融市场的变化规律不符。进而研究人员提出对波动率进行建模,这类模型被统称为条件异方差模型。条件异方差模型主要可以被分为两种类型:第一种类型以确定函数来描述波动率,例如自回归条件异方差模型;第二种类型则是将波动率的变动利用随机方程来进行描述,例如随机波动率模型（Stochastic Volatility Model,SV）。SV模型可以更好地刻画实际中金融数据的特征。Heston模型就属于SV模型中的一种。在此基础之上,Bates考虑到资产价格的跳跃现象,将跳跃过程加入到Heston模型中,提出带跳的随机波动率模型（Stochastic Volatility Model with Jumps,SVJ）。在对随机波动率模型中的未知参数进行估计时,其涉及的高维积分难以得到解析解,因此估计模型中的未知参数较为困难。在本文中我们利用马尔可夫蒙特卡洛方法（Markov Chain Monte Carlo,MCMC）来解决模型中的参数估计问题。MCMC方法中有多种构造马尔可夫链的方式,其中应用比较广泛的两种算法分别是Gibbs抽样方法以及Metropolis-Hastings抽样方法。其中,Gibbs抽样方法依赖于待估参数的后验分布,而Metropolis-Hastings抽样方法并不依赖于待估参数的后验分布且估计误差较小,但其计算效率相对较低。在本文中我们使用事先已经知道的先验分布,对模型中的各个未知的参数,通过数学推导得到其后验分布。在推导后发现,对于波动率的估计无法使用Gibbs抽样方法,因此在本文中我们选取不同的抽样方法相结合,通过这样的方式,不仅可以确保参数估计的精确度,也能拥有较快的抽样速度。在本文中我们以上证综指为例,选取了五年的交易日数据作为样本,用以估计模型中的各个未知参数。通过分析得出如下结论:首先,上证综指数据具有波动聚集性与尖峰厚尾性的统计特征,较为适合应用于随机波动率模型;其次,我们从参数估计结果中发现,改进的MCMC算法对于模型中各个参数的估计较为稳定,且方差较小,结果有效;最后,Bates模型的参数估计值比Heston模型的参数估计值要更加准确。综上所述,使用改进后的组合算法对Heston模型以及Bates模型的参数估计都有一定的改进效果,对于上证综指数据而言,Bates模型的估计效果更好。