Les modèles de volatilité stochastique, alias SVOL, sont plus durs à estimer que les modèles traditionnels de type ARCH. La littérature récente offre des estimateurs éprouvés pour un modèle SVOL univarié de base. Ce modèle est trop contraignant pour une utilisation en économie financière. Les prévisions de volatilité qu'il produit peuvent etre biaisées, particulièrement quand la volatilité est élevée. Nous généralisons le modèle de base en y ajoutant des effets de levier par le biais d'une corrélation entre les chocs observables et de variance, et la possibilité de distributions conditionnelles à queues épaisses. Nous développons un algorithme bayésien à chaînes markoviennes de Monte Carlo. Nous développons aussi un algorithme pour l'analyse d'un modèle SVOL multivarié à facteurs. Ces estimateurs permettent une inférence en échantillon fini pour les paramètres et les volatilités. Nous documentons les performances de l'estimateur et montrons que les extensions sont nécessaires. Nous testons la normalité des distributions conditionnelles. Cette méthode est mise en oeuvre sur plusieurs séries financières. Il y a une forte évidence (1) de distributions conditionnelles à queues épaisses, et (2) d'effets de levier pour les actifs financiers. Les résultats sont robustes et ont d'importantes implications sur les décisions fondées sur les prédictions de volatilité, particulièrement pour la gestion de risques.