本文首先从VaR的基本概念出发,在介绍了各类常用的VaR方法基本原理后,重点介绍了条件自回归VaR方法——一种基于半参数方法的VaR模型。与参数VaR方法需要对收益率序列分布做出假定不同,条件自回归VaR直接对收益率序列的尾部分位变动建模。条件自回归的基本思想是股票市场收益率序列的波动性存在聚集效应,VaR与收益率序列的标准差紧密相关,因此VaR序列也会呈现相似的现象。我们可以用特定的条件自回归方程来描述这一特征,并采用分位回归方法来估计参数值。　　 我们首先对三类主要的VaR方法一参数方法、半参数法、非参数法进行理论方面的比较,然后利用沪深300指数进行实证研究。在实际的计算VaR过程中,我们选用了4种参数VaR方法、1种半参数方法、1种非参数方法共计6种方法,并根据样本数据的波动状况不同将其划分为两个子样本区间样本1和样本2,分别计算了在95％以及99％置信水平下的不同样本以及不同方法的VaR值。通过对6种不同的VaR模型在不同的市场波动状况下VaR值的比较发现:第一,三类VaR模型建模结果表现都跟样本数据的选取有关,样本数据的波动程度越大,VaR模型用于风险控制的准确性越差;第二;综合比较三类VaR模型的计算结果,对于中国股票市场来说,参数模型的表现要好于非参数模型与半参数模型;第三,条件自回归VaR与其它类型VaR模型的比较发现,除适应性模型外,条件自回归模型估计结果表现不够稳定。