金融风险管理是金融资产管理领域的一个重大课题。不论是大型的金融机构还是一般的基金经理人,甚至是个人投资者都需要对自己所持有头寸面临的潜在风险有足够的认识,也即要有能进行风险测度的手段。特别在近些年金融极端事件频繁发生,而每一次这种异常波动的发生都会给国民财富带来巨大的损失的情况下。比如97年的东南亚金融危机、08年美国次贷危机等都使得受害国在随后的几年中陷入不同程度的经济萧条中而元气大伤。近一点的例子就是我国在2015年的股灾,导致股票市场波动剧烈,短短一年多的时间上证指数一度从2000点的低位冲上五千点,之后又遭遇断崖式的下跌回到3000点,股灾当中被套牢的股民和机构不计其数,这都是由于没有良好的风险测度手段以至于对所面临的风险估计不足造成的。为了应对这种金融资产价值的异常波动带来的损失,金融风险管理技术显得尤为重要,通过良好的金融风险管理手段,我们可以最大程度地分散所持资产的风险,并且对可能潜在的风险进行清晰的量化以便在风险事件发生时可以很好地应对。而VaR作为国际金融市场度量风险的主流标准,被广泛应用于各类金融工具的风险测度中。而如何精确地度量VaR,构建精准的风险测度模型,则是金融风险管理领域的重要课题。VaR估计方法包括参数法和非参数法两类。总体来说,非参数估计法可以很好的捕捉到尖峰厚尾的特性,但无法处理时变方差性,相对的,参数估计法能有效的反映时间序列的动态演变,即异方差性,但在真实分布同假设分布差距较大时表现较差。基于以上的一些原因,本篇文章采用一种结合两种方法优点的VaR估计方法,首先试图寻找能够准确描述金融资产收益分布特征的模型来对资产的收益率进行建模分析,并在此基础上进行风险测度,而这里引用了一种广义双曲线偏t分布的SV模型来进行建模以更好地反映资产价格收益序列的有偏、厚尾等特性。并且有别于传统的风险测度方法,用极值理论这样一种非参数方法来对标准化的残差序列的尾部进行建模。极值理论的优势在于只需要考虑样本的尾部分布,并且超样本的预测能力较强。在估计参数时则用到了MCMC算法。