证券市场是市场经济发展到较高阶段的产物，是市场经济演化的自然结果。我国的证券市场是脱胎于计划经济向市场经济过渡的初级阶段，是经济体制改革的试点产物，而且近年来发展速度之快令人瞩目。1995年之前，深沪两地证券市场的上市公司数量仅为310家，证券化程度（上市公司股票市值/国内生产总值）为7.89％;到1997年底上市公司数量已增加到745家，总市值为1752.9亿元，证券化程度达到23.44％;进入1998年之后，公司上市的数量和规模更以前所未有的速度发展。正因为如此，怎么规避风险、怎么在报酬极大与风险极小之间取舍是投资人非常注重的问题。因此定量研究风险，计算证券市场投资的风险值(VaR)是金融理论研究和经验分析的一个重要内容。　　风险值(VaR)是一种能全面测量复杂证券组合市场风险的方法。自1994年被JP Morgan公司提出以来，获得了广泛了应用。国外学者对量化风险值（VaR）的研究已经成熟，产生了很多估计风险值(VaR)的方法:历史模拟法、蒙特卡洛模拟法、RiskMetric方法以及由其提出的EWMA方法和GARCH模型。在金融风险管理中，应用最多的是GARCH模型，以其间接估计风险值（VaR）。由于对金融时间序列数据的波动性和相关性进行建模常常需要对序列分布进行假设，而GARCH模型是对条件异方差进行建模，所以该模型特别适合这类数据，也正是由于需要对序列的分布进行估计，也使GARCH类模型有其弊端。　　因此本文利用2003年的诺贝尔经济学奖的得主Engle及合作者Manganelli于1999年最新提出的条件自回归VaR模型对证券市场的风险值进行量化研究。它不同于间接的方法，他们对VaR（条件分位数）直接的进行自回归建模，提出了条件自回归VaR模型（简记CAViaR模型）。这一方法可称为计算VaR的直接方法。Manganelli和Engle(2001)较为系统的分析各种间接方法的潜在假设和逻辑缺陷，并利用Monte Carlo模拟对直接方法和间接方法进行了比较，他们的结论是:对于厚尾数据过程，CAViaR模型表现最优。这一新的思想及模型，不仅仅避免了非参数方法的模型风险，同时也避免了参数方法分布假定的风险。　　传统模型计算出来的风险值，可能因为某一特定事件而产生跳跃式的变化，而CAViaR模型不同于传统模型的是，它可以讲风险值的变化予以平滑化，所谓跳跃式的变化是指，当市场与到大事件而产生较大的风险值时，此风险值离开事件时间点后，对于风险量化值的变化应该是渐渐缓慢的，而非立刻消失或是急剧下降的变化，亦即表示风险之间具有前后期的自我相关性，因而使CAViaR模型完全避开了收益率和设置一个置信水平，通过一定的回归方法和优化算法，可以直接计算出一步VaR值。它不但考虑了收益的类聚性，也很好的处理了收益分布的尾分布。　　本文的主要目的是以CAViaR模型计算上证各板块股票的风险值为基础，研究怎么降低投资的风险，以期选择最优的板块进行投资。选择正确的投资方向，做出科学的投资决策，无疑是企业发展和成功的关键。如今国际风云变幻莫测，全球经济结构庞大纷乱，市场竞争日趋激烈，因此，分析投资活动中潜在的风险，做出正确合理的决策是极其重要的。　　怎样才能明确用CAViaR模型所估计出的VaR值是否成功，这就要对CAViaR模型所计算的VaR值的效果进行检验。一般来讲，检验风险值效果的方法可以分为两类，一类为统计上的检验方法，如均方误差法，统计的检测方法属于实际损失值和风险估计值之间作误差量上的比较;另一种方法则是操作性风险值的衡量，直接计算出损失值超过风险估计值的次数，如比较成功率或是失败率。　　经过本文实证研究证明，就从模型角度看，SAV模型与间接GARCH(1，1)模型预测结果基本相似，这主要是由于它们都对过去收益成对称反映，而无视前一天收益是正或是负;同时间接GARCH(1，1)模型在一定条件下，如误差项独立同分布可以等价于SAV模型或是AS模型;相对来说，AS模型效果最好，一般情况下，风险管理者对上升和下跌风险的关注程度是不一样的，他们更加关注会引起损失的下跌风险，这样对于相同波动幅度，负的收益对VaR影响更大;从数据走势直观上看，各个板块都具有波动变异性（结构点），照理说CAViaR模型应该是最适合的模型，可是对我国证券市场的实证研究结果来看，估计的结果不像预期的那样适合中国股市情形，这与中国新兴市场的某些特有象限分不开的，如股市涨停板的设置、国有股的存在，A股、B股的设置等都阻碍了股市的自由发展;另一方面投机者盲从心理与中国投资渠道的狭窄也不无关系。