金融风险得到良好的管理与控制,对维系全球金融系统稳定、促进实体经济增长具有重要意义。目前全球对金融风险的主要测度指标是VaR,VaR即某种风险损失数额分布的一个分位数,但是由于金融数据的特性,就如何对VaR进行有效的计量,仍然没有一个较为稳定有效的方法。传统的对VaR的计量法主要分为参数法和非参数法,参数法对金融数据做出一定的假设,而现实中这种假设难以满足,非参数法又对数据的利用程度有限,容易造成“ghost effects”现象。本文从解决传统模型的缺陷入手,结合适合处理金融数据的高斯过程自回归理论,建立一种新的能够对VaR进行准确预测的模型,以解决金融数据建模的难题,能够使得各金融机构、相关监管机构对金融风险进行更加准确的测度。本文首先分别综述了金融风险管理和高斯过程理论的研究现状。其次,介绍了三种传统VaR计量模型:历史数据模拟法、正态分布法、蒙特卡洛模拟法和高斯过程自回归模型的基本原理。再次,本文介绍了实验数据集的来源、收益率的计算以及模型的参数选择。最后利用上述模型及数据进行建模对比。实证结果表明高斯过程自回归方法在在本文所选取的七个股票市场对VaR的预测表现优秀,相较于三种传统的计量方法能够得到更加准确的VaR估计值,而传统方法的预测结果则较差,实际数据的检验计结果也显示实际数据并不满足传统参数方法的假设要求。由此可见,高斯过程自回归方法在一定程度上是较传统VaR估计方法更为优秀的方法。