金融时间序列的分布具有非对称、尖峰厚尾、时变性等特点,传统的模型难以贴合这些复杂特性,因而无法得到准确的Va R预测。以长短期记忆神经网络（LSTM）模型为代表的深度学习技术能够捕捉时间序列的长期依赖关系,在金融领域得到了广泛的应用,但现有研究的模型大多为不具备可解释性的“黑盒”,也较少涉及Va R的测度。为了解决上述问题,本文在结合厚尾分布函数（HTQF）及LSTM模型的Va R测度模型LSTM-HTQF的基础上,将国际经济风险因素、国内经济风险因素和股市内部风险因素三类指标纳入特征矩阵之中,构建了两个模型:其一为利用相关度传播算法（LRP）,专注模型可解释性的LRP-LSTM-HTQF模型;其二为结合卷积神经网络（CNN）与长短期记忆神经网络（LSTM）,兼具特征降维功能及时间序列建模优势,专注于提升Va R预测精度的CNN-LSTM-HTQF模型。本文选取反映A股总体运行情况的上证综指为研究对象。LRP-LSTM-HTQF模型的实证结果表明,国际风险因素中,S＆P500收益率及汇率波动两项指标的重要性较高;在国内宏观风险因素中,经济政策不确定性的贡献较大;股市内部风险因素中,换手率、市盈率、成交量信息均对预测有重大影响。完成风险因素分析后,本文将重要的风险因素纳入CNN-LSTM-HTQF模型中的输入特征之中,样本外回溯测试结果显示,与LSTM-HTQF、GARCH、CAVia R等对比模型相比,CNN-LSTM-HTQF模型预测精度最高。