一般认为，在金融研究中，应用最广泛的波动性度量指标是方差或标准差。波动一般包括非条件波动性和条件波动性。当我们考虑一个固定样本区间的波动性，或者收益率生成过程本身就是一个平稳过程的时候，用非条件波动性来描述是非常合适的；然而如果考虑波动性随时间变化的特性，就会涉及到条件波动性。描述条件波动性的模型主要有自回归条件异方差（ARCH）族模型和随机波动（SV）模型。这些模型对波动性的大量研究得到了很多典型事实。
平方根法则：非条件波动性的一个主要模式是如果收益率非常接近于正态分布，那么，收益率的标准差和收益率计量区间的平方根成正比。这就是着名的高斯度量法则。它表明风险随时间延续而增大，虽然它没有时间增长速度快，但是总体风险随时间平方根增大而增大。
波动性聚集：很多时候，用独立同分布过程来对金融市场中的收益率建模并不是很成功的。高频收益率经常表现出一定程度的自相关性，因此它们并不是独立的。低频收益率可能没有上述自相关性，但它们的平方通常表现出一种很强的自相关性，因此，它们的分布并不是独立的。这种情况可以用波动性聚集来描述。波动性聚集是指股票市场、衍生品市场和外汇市场的日收益率，甚至周收益率时间序列，经常表现出波动聚集现象。早在1963年，分数维研究之父BenoitMandlebrot就观察到，金融资产价格的较大变化往往导致价格的其他较大变化，较小的变化也往往导致其他较小的变化。此时，“高收益率往往导致较高的收益率，低收益率往往导致较低的收益率”。这种波动聚集现象的本质在于当前的波动冲击会影响未来若干天波动的期望值。因此，波动聚集通常也称为波动持久性，即波动-波动相关性。
均值回复：波动聚集意味着在一定的时间限制前提下，较高的波动最终将会被正常的波动所取代，较低的波动也最终将让位于较高的波动。波动均值回复现象指的是长期中存在某种正常水平，而波动性最终将会回复到这一水平。无论何时做出预测，长期波动性预测趋近于波动性的均值水平。根据波动聚集理论，可以认为，如果当前波动剧烈，短期波动性很可能要高于长期平均水平，未来几天的波动期望值将会较高。但在一段较长的时期内，波动将会回复到其平均水平。相反，如果当前市场相对平静，短期波动将会低于长期平均水平；但在长期之中，波动会逐渐攀升达到长期平均水平。
波动非对称性：波动非对称性通常又被称为波动-收益相关性。很多波动模型假定波动性对好消息（innovation）和坏消息反应是对称的。但在股票市场上，Black、Christie、Nelson、Glostenetal。、Engle和Ng以及陈浪南和黄杰鲲的研究都发现，有证据表明波动性和收益率是负相关的。实证研究表明，正面信息和负面信息对波动性的影响是不一样的。一般认为，当股票市场处于下跌的时候，波动性更高一些。也就是说，波动性对负收益率的反应要强于对相同强度的正收益率反应。
波动性的外生变量影响：由于金融资产价格的动态行为和市场存在一定的关系，因此，其他金融资产变量可能包含有预测波动性的相关信息。此外，一些确定性事件也可能影响波动性。这些事件包括公司既定经营活动安排和公告、宏观经济情况发布，甚至确定的日内时间交易模式等。例如，Glostenetal发现，10月和1月的宏观指标变量有助于解释股票市场条件波动性的某些动态行为。但现有的经验研究资料指出在这方面的进展也不是太大，越来越多的注意力已经转移到了社会心理学方面，开始强调并研究瞬时狂热行为或者泡沫对波动的解释能力。
联动效应：很多学者研究了全球范围内股票市场波动模式的协同运动情况，研究结论表明，某些股票市场波动性的增加会导致其他股票市场波动性的增加，例如，美国股票市场波动性的增加可能导致日本、欧洲等股票市场波动性的增加。一般认为，滞后时间通常为一天到一个月不等。人们将这种动态联动反应称为“波动外溢”。尽管人们已经发现了很多外溢模式，譬如较大的波动外溢通常会导致较大的负收益率，而不是较大的正收益率，但绝大多数研究发现用基础变量消息和宏观经济消息并不能解释这种波动外溢现象。除了上述基础变量之外，很多研究也尝试用包括主要国际市场之间交叉上市的股票数量、封闭式国家基金的范围、国际证券组合流量以及不同市场的保证金要求等其他制度性因素来解释这些外溢现象，但研究结果并不理想。1997年亚洲金融危机和1998年俄罗斯金融危机之后，人们开始将研究重点放在所谓的非理性和“传染”效应之上。
关于股票波动性，还存在着譬如交易是否可以推动波动性、金融创新能否增加波动性，以及高频数据存在的季节效应等其他一些模式。这些模式大多是经验研究结果，而且目前绝大多数还没有明确的结论和解释。
