I denne avhandlingen ble effektiviteten av Stokastiske Volatilitetsmodeller, med ARMA(p, q) log-volatilitet, undersøkt i forhold til GARCH(p, q) i å forutsi volatiliteten til finansielle tidsserier. Videre var målet å vurdere evnen til SVMer i å fange opp atferden til underliggende finansielle tidsserier. En rekke SVMer og GARCH-modeller ble tilpasset til ti forskjellige aksjer, med modellseleksjon veiledet av Akaike Informasjons Kriterium (AIC) og validert gjennom en rullende kryssvalideringsmetode. De teoretiske og empiriske variansene til innovasjonene, samt autokorrelasjonsfunksjonen (ACF) og autokovariansfunksjonen (ACVF) for begge modellene ble sammenlignet i avhandlingen. Våre funn antyder at SVMer overgår GARCH-modeller i å forutsi volatilitet og estimerer den marginale variansen mer nøyaktig for alle de testede tidsseriene. Imidlertid antyder avvik mellom teoretisk og empirisk ACVF og ACF potensielle forbedringsområder for SVMer. Disse resultatene indikerer at SVMer kan tjene som et bedre verktøy for prediksjon av volatilitet i finansielle instrumenter i sammenlikning GARCH-modeller. Fremtidig forskning bør vurdere å teste disse modellene over forskjellige tidsperioder og utforske alternative GARCH-modeller, som Eksponentiell GARCH (EGARCH). Ytterligere forskning bør også fokusere på å forbedre SVMenes evne til å fange opp dynamikken i kvadrerte innovasjoner.