在风险管理中,风险的度量至关重要。在险价值(VaR)作为金融市场风险测量的主流工具,指在一定时间内,一定的置信度下,投资者的期望损失。在正常的市场条件下,VaR风险度量的估计大部分方法很有效。但是这些传统的方法都仅仅利用了样本信息,而忽略了风险x和风险参数θ的先验信息。所以,本文基于贝叶斯框架讨论VaR的贝叶斯估计和线性贝叶斯估计,并讨论了估计的统计性质。然而,当在极端的市场环境下,VaR作为风险度量工具不满足次可加性,不能很好地估计现有风险。本文通过改进VaR风险度量,得到满足此次可加性的尾在险价值TVaR,并讨论它的贝叶斯估计。通过数值模拟我们得到TVaR比VaR的估计结果更好。本文重点讨论在贝叶斯框架下VaR和TVaR的估计。一方面,在适当的损失函数下讨论VaR和TVaR的贝叶斯估计及统计性质;另一方面,讨论VaR的线性贝叶斯估计及统计性质。最后,我们做相应的数值模拟得到这些估计的收敛速度。在介绍完相关的预备知识后,第三章在贝叶斯框架下得到VaR的贝叶斯估计。然而,在一般情况下,该估计无显示表达式。因此,我们在指数-伽马模型下讨论得到VaR的贝叶斯估计。通过数值模拟可知VaR的估计效果较好,特别当样本容量很小时,估计的均方误差仍很小；另外,我们在柏拉图-指数模型下得到TVaR的贝叶斯估计,通过数值模拟得到在该模型下的估计效果仍然很好,满足实际的需要。第四章在贝叶斯框架下,结合先验信息和样本信息得到VaR的线性贝叶斯估计(即信度估计),并证明了其统计性质。数值模拟结果表明,线性贝叶斯估计比非参数估计结果更好。且即使在样本容量较小的情况下估计的效果也是较好的。第五章对本文进行了总结,同时提出进一步可研究的方向。