金融风险管理的基础及核心在于对风险的准确度量,VaR方法因其测量风险的定量性、综合性、通俗性等特点而被许多银行、金融机构和监管部门广泛应用,目前已经成为金融风险管理的国际标准。近年来,随着金融市场上极端事件的频繁发生,人们开始更加关注VaR方法对极端风险的预测能力。极端风险说到底即厚尾风险,要捕捉厚尾风险,最简单的办法就是使用厚尾分布去描述金融资产价格变化的统计特征。而谈到厚尾分布,必然要提稳定分布和广义帕累托分布,这两类分布的尾部密度均为幂律衰减,是真正的厚尾分布。前者在VaR计算中的应用可以归类于VaR计算的完全参数方法,而后者则为半参数方法。这两种分布为我们使用VaR方法预测风险、特别是极端风险提供了较好的工具。另外,计量经济学的前沿研究领域——分位数回归理论——也为我们计算VaR提供了一种思路,它可以归类于VaR计算的半参数方法。本文正是在回顾VaR理论和计算方法的基础上,对半参数方法和稳定分布下完全参数法的VaR估计能力进行研究。　　 研究的主要内容和创新点体现在以下几个方面:　　 第一,使用稳定分布描述金融数据的尖峰厚尾特征。由于稳定分布的密度函数没有解析形式,本文首先在Mittniks等人工作的基础上,提出了基于辛普森法则的离散傅里叶变换算法来计算稳定分布的密度,并将其计算准确度与Mittniks的方法进行比较。然后利用提出的方法计算GARCH-稳定分布模型的似然函数,通过极大化似然函数来估计GARCH-稳定分布模型的参数,最后计算各置信度水平下的VaR。　　 第二,提出基于条件方差的分位数回归模型。分位数回归技术在VaR估计领域中的应用起步较晚,国内的研究一般是使用金融收益率数据的一阶信息(如均值、收益率的滞后值等)来估计VaR,但考虑到金融数据的波动聚集性,我们将数据的高阶信息——波动性——加入到模型中,并使用该模型估计上证综合指数高频收益数据的VaR。　　 第三,使用GARCH—POT模型估计上证综合指数高频数据VaR。POT模型是极值理论的一个分支,是估计高置信度水平下VaR的有效模型。本文利用GARCH作为一种滤子,与POT模型相结合来计算数据的VaR。　　 第四,模型的准确性检验。在不同置信度水平上,特别是在高置信度水平上,对以上方法(完全参数法和半参数法)估计VaR的准确性进行比较分析,采用后验测试的方法对各模型的准确性进行检验。