随着科技的迅猛发展和经济水平的日益提升,金融市场上各类金融衍生品层出不穷,金融市场越来越复杂.因此,风险度量成为研究金融市场不可或缺的重要工具.在险价值(VaR,Value at Risk)和条件在险价值(CVaR,Conditional Value at Risk)作为风险度量当今市场的主流方法,受到了广大金融风险监管者的欢迎.而VaR和CVaR的预测过程中,关键部分在于对资产收益的分布进行建模并捕捉波动率过程.其中刻画波动率最常见的模型是广义自回归条件异方差(GARCH,Generalized autoregressive conditional heteroskedasticity)模型族,但是由于GARCH模型是基于收益率的,不能描述期内的价格波动,对波动率的估计不够准确,因此结合了极差思想和GARCH模型的条件自回归极差(CARR,Conditional autoregressive range)模型被提出.本文基于CARR模型,结合传统的VaR和CVaR的计算方法,提出了适合低频数据的计算VaR和CVaR的新方法,并利用沪深300股票指数从2009年1月6日到2019年3月22日的日数据,一方面验证了CARR模型相对于传统的GARCH模型在计算VaR和CVaR时的优越性,另一方面基于模型扰动项分别服从指数分布,Weibull分布,Gamma分布以及收益模型的新息过程分别服从正态分布,学生T分布和GED分布的CARR-VaR模型和CARR-CVaR模型,探讨了不同类型的CARR模型在计算VaR和CVaR时的表现优劣性,为金融风险监管者度量风险提供了一定的参考性.CARR模型是很有研究意义的波动率估计模型,它弥补了传统GARCH模型在提取期内价格信息方面的不足,提高了风险管理的准确性,本文所提出的适用于低频数据的CARR-VaR和CARR-CVaR模型的计算方法充分利用了CARR模型对收益波动的刻画优势,改进对VaR和CVaR的计算方法,有效提高了金融风险度量的准确性,为CARR模型在我国股票市场的风险度量应用提供了一定的参考,同时对VaR和CVaR的双重监控方法也有助于更高效更准确地对风险进行管理,减少不必要的经济损失.