以二氧化碳为代表的大气污染物的排放所引发的极端气候问题,已经威胁到人类的生存和发展。建立市场化的碳减排机制已经成为应对极端气候问题的重要途径。碳排放市场的主要功能是通过碳排放权的交易达到减排目的,其有效性的发挥关键在于对市场风险的准确预测和控制。因此,探究合理、可靠的碳金融风险计量模型,对于准确把握碳市场风险、推动节能减排具有重要的现实意义。传统的计量模型虽然能够在刻画碳资产时间序列非线性、非平稳等特征的基础上,实现对碳金融风险的预测,但由于模型函数本身的局限性,通常导致预测的偏差较大。为此,论文采用神经网络分位数回归(QRNN)和极值理论(EVT)方法解决以上问题,从而实现碳金融风险的可靠计量。论文选取2008年3月17日至2013年8月28日期间,EUA和CER市场的连续期货合约价格作为样本,首先通过构建QRNN模型,对正常和极端区间下的VaR分别做了实证检验,并选取GARCH-GED模型和CAViaR模型进行了对比,结果发现：①对于正常波动区间VaR的预测,QRNN模型的效果最好。从5%VaR的测试结果可以看出,QRNN模型在样本内和样本外的结果都优于其他两种传统模型；②从1%VaR的测试结果可以看出,对于极端波动区间VaR的预测,各模型都出现了严重低估风险的情况,并且CER市场的极端风险更难把握。为了提升预测准确性,鉴于EVT方法在刻画极端风险特征方面的优势,论文进一步构建QRNN-EVT模型对极端波动区间的VaR进行度量,发现该模型可以显著提升极端风险的预测精度,能够得到相对有效、可靠的预测结果。