传统VaR模型中，通常会假定金融序列式服从正态分布的，而大量的实证研究表明：金融资产的回报率并不服从正态分布，具有明显的“尖峰厚尾”现象。本文将极值理论（EVT）引入到金融风险度量中，可利用其对厚尾估计的优势，修正VaR因正态分布假设不足所导致的尾部风险低估问题，及其不能超越历史样本数据进行风险预测的问题。对于BMM模型和POT模型的中参数提出用Bayes方法来估计参数，提高模型的预测能力。本文最后利用恒生指数进行实证分析。实证分析表明恒生指数具有明显“尖峰厚尾“现象，不能满足传统VaR模型的正态分布的假设条件。BMM模型和POT模型都能比较有效地刻画恒生指数的“尖峰厚尾“性，因此可以用来进行VaR估计。恒生指数在相同的置信度下BMM模型的VaR值随着分块区间的增大而增大，而相比之下POT模型的VaR都为最小。基于MCMC方法的VaR在相同的置信度，无论是BMM模型还是POT模型，基本上都要大大高于极大似然方法得到的VaR值，这是由于MCMC方法将参数看成随机变量，增加了风险的不确定性，更加符合实际情况，能有效提高VaR的估计。