Les modèles de volatilité stochastique (ci-après) SVOL sont singulièrement plus difficiles à estimer que les modèles de type ARCH qui connaissent un grand succès. Dans cet article, nous développons des méthodes en échantillons finis pour l'inférence et la prédiction, ceci pour un nombre de modèles SVOL univariés et multivariés. Plus précisément nous modélisons des distributions conditionnelles non-normales, des modèles avec effets de levier, et deux modèles multivariés; un modèle a structure de facteurs et un modèle d'escompte dynamique. Nous spécifions les modèles par une hiérarchie de distributions conditionnelles : p(données|volatilités), p(volatilités|paramètres), et p(paramètres). Cette hiérarchie fournit un environnement naturel pour l'élaboration de modèles de volatilité stochastique plus généraux que le modèle de base. Pour un modèle et un échantillon, l'inférence et la prédiction sont fondées sur la distribution postérieure jointe des volatilités et des paramètres que nous simulons avec des méthodes de Chaînes de Markov et de Monte Carlo (MCMC). Notre approche fournit aussi une analyse de sensitivité pour les paramètres et une analyse pour les outliers. Le cadre d'estimation fournit donc une perspective générale sur la spécification et l'implémentation des modèles de volatilité stochastique. Nous appliquons plusieurs extensions du modèle SVOL de base à de nombreuses séries financières. Il y a une forte évidence de non-normalité des distributions conditionnelles. Il y aussi une certaine évidence de corrélation des erreurs pour les retours sur actions. Ces élaborations du modèle de base ont une influence sur la persistance et devraient être incorporées en vue de prédictions de volatilité.