针对标准粒子滤波在资产收益率的波动率估计中,因使用转移密度作为重要性采样密度,导致抽样粒子在更新后大量丢失低权重粒子,进而造成估计效果不佳的问题,提出一种基于辅助粒子滤波波动率估计(auxiliary particle filter volatility estimation,简称APFVE)算法。在APFVE算法预测阶段,采用双因子非对称已实现随机波动(two-factor asymmetric realized stochastic volatility,简称2FARSV)模型对当前波动率进行估计,在APFVE算法更新阶段,充分利用了当前时刻的量测信息,对重要性采样密度进行实时调整,将抽样粒子引入高似然区域,使得更新后粒子权重更稳定。仿真实验表明,相对于标准粒子滤波波动率估计(particle filter volatility estimation,简称PFVE)算法,无论是在波动率变化特征估计上,还是在波动率估计精确度上,APFVE算法都具有更好的效果。