风险价值VaR是金融界最重视的方法之一,金融机构将VaR作为预测及防控风险的重要指标。分位数回归在VaR计算中应用广泛,然而传统分位数回归在尾部估计不稳定,特别是对由数据稀疏导致的重尾分布。为解决金融数据尾部的稀疏性,本文引入基于外推中间次序分位数的极端条件分位数估计方法,在模型中加入用蒙特卡洛方法选择调节参数的过程。通过数值模拟表明,加入选择调节参数的过程后,极值指数和极端条件分位数的估计精度较之前有较大改善。实证部分以美国、中国股票市场的日收益率数据为研究对象,建立极端条件分位数估计模型,在极低分位数水平0.003和0.005下估计美国银行股票和沪深300指数的极端VaR。研究结果表明:第一,美国银行股票日收益率的极端条件分位数与美国银行股票、道琼斯工业指数和道琼斯美国金融指数的滞后日收益率均呈正方向变动,且受自身滞后收益率影响最大,这说明美国银行股价过去的下跌会大幅拉低当前股价的极端分位数。第二,沪深300指数和上证综指前一日的收益率对沪深300指数日收益率极端条件分位数影响是同向的,若前一日沪深300指数和上证综指下跌,则当日沪深300指数也会有下跌的趋势。第三,对美国银行股票和沪深300指数在0.003分位数水平下的极端VaR进行度量,并与传统分位数回归进行对比,结果表明基于极值指数外推估计极端条件分位数的方法能很好的度量极端VaR。