近年来，在经济全球化和金融自由化的推动下，国际金融市场出现了前所未有的繁荣。自由的经济环境、不断出现的金融创新和技术进步给金融市场带来了新的生机和活力，金融市场规模迅速扩大，金融市场效率明显提高，但与此同时伴随着的还有不断加剧的金融市场波动性和风险。金融自由化和一体化对经济的影响是双重的，它在加强各国经济联系推动经济发展的同时也将各种金融资产所面对的金融市场风险变得更加突出和复杂——构成风险的因素越来越多，风险影响的深度和广度越来越大。如果不能对风险进行准确的监测和控制将会对一国的经济甚至全球的经济产生重大影响。因此加强金融市场风险测量和控制对经济的发展至关重要。目前，用于测量金融市场风险的方法主要有灵敏度分析法、波动性方法、VaR（Value at Risk）等，其中VaR已经成为金融分析师用来量化资产市场风险的一种标准方法。VaR计算的是在某一置信水平下在一定的持有期内资产有可能产生的最大损失。计算VaR的方法有很多，主要可以分为参数方法、半参数方法和非参数方法，本文研究的是基于GPD（Generalized Pareto Distritution，广义帕累托分布）的极值POT(Peaks Over Threshold)模型的VaR计算方法。该方法不对数据整体分布进行假设，而是将研究重点放在分布的尾部，通过对尾部数据的建模来分析资产在极端情况下可能产生的损失，较其他计算方法更有针对性，且具有样本外推的功能，是较为前沿的一种方法。以往对VaR的研究都是建立在低频数据的基础之上，这往往会造成丰富的日内信息的缺失。近年来随着计算机技术的快速发展，高频数据的获得成为了现实，高频数据信息含量高，通过对高频数据分析可以有效洞悉市场微观结构，因此，本文将对VaR的实证研究建立在高频数据的基础之上，应用不同的阈值选取方法对上证综指、深成指数5分钟高频数据进行POT建模分析，估计其风险价值（VaR），以为金融市场风险测量提供参考。通过研究发现：基于GPD的POT模型在高的置信水平下对沪深综指对数收益率数据分布的尾部拟合效果较好；通过核拟合优度统计法（kernel goodness-of-fit）得到的阈值比通过平均超额函数图法得到的阈值有效；在计算VaR的过程中如果对数据先进行ARMA处理再进行相应的POT建模分析，其结果往往比直接进行POT建模分析的效果好。