从70年代开始,金融风险便成为全球关注的重点,而如何对金融风险加以度量则是学术界研究的热门课题。金融风险管理的研究内容十分丰富,其中技术性研究主要在微观层次上讨论风险管理的具体操作方法,涉及到风险度量方法和定量分析。但限于计算问题,直到90年代中期,VaR(Value-at-Risk)风险度量方法才得以提出,到目前为止,VaR是金融市场风险管理和金融监管的主流方法,该方法已被全球各主要银行、非银行金融机构、公司和金融监管机构广泛采用。然而,从技术层面来说,对于VaR理论和应用研究还不十分成熟。因此本文从VaR的技术性层面入手,在研究内容上选择了以VaR估计精度以及对违约风险建模两个方面来作为重点研究对象。从整体结构和思路上看,论文以VaR风险度量方法作为主线贯穿全篇,并沿着两条思路展开研究:第一是VaR估计的三类主要方法在中国证券市场中的相关估计精度问题；第二则是对于违约风险的VaR建模问题和它的修正方法--CVaR约束下的违约风险模型及其组合选择问题。由于VaR风险度量通常是金融机构和风险监管部门主要依据,因此本文以这两部分内容构成整个主体框架来进行研究,对于金融机构和风险监管部门的实际工作将有一定的参考价值。本文的主要工作及研究成果可归纳如下:　　 第1章在系统地阐述VaR理论研究现状的基础上,分析了现存研究中存在的不足,并在此基础上提出了本文所要解决的关键问题。　　 第2章详细介绍了VaR产生的背景与严格的定义,分析了VaR的参数选择及其影响因素,分类总结了当今主要用于估计VaR的方法:参数方法、半参数方法和非参数方法,表明了在实际中应根据不同的需要选择不同的VaR估计方法。此外,对于VaR在实际应用中的背景进行了细致分析,并对VaR应用过程中的假设条件与实际不符的情况进行了归类,即实际收益数据中主要存在不对称现象、厚尾现象和波动聚集现象。最后,针对不对称、厚尾和波动聚集现象,归纳总结了现有文献的不同处理方法。　　 第3章在对VaR计算方法归类总结和实际应用背景分析的基础上,针对中国证券市场,研究了VaR估计模型的变动性以及估计精度。主要方法如下:针对沪深综合指数,利用七种不同的VaR估计方法,在设定置信水平为95％和99％情形下,采用四种不同的移动窗口,计算2001至2003年的共717个交易日的日VaR,并通过四种评估标准分别对该七种方法的估计精度和模型变动性进行事后的评估。研究得出的主要结论如下:在对于。VaR控制风险的表现方面,参数方法得出的VaR估计值比较适应收益数据的变化,更加能够捕捉到收益数据的波动性。同时,作为非参数方法的历史模拟法则表现得较为平稳,具有很少的摇摆性。而作为半参数方法的蒙特卡罗模拟法则是介于上述两种方法之间；在VaR模型的变动性方面,参数类方法的VaR估计模型本身的变动性和偏离程度较小,半参数类方法的VaR估计模型本身的变动性和偏离程度次之,而非参数类方法的VaR估计模型本身的变动性和偏离程度较大；在VaR模型的估计精度方面,非参数类和半参数类度量模型对于VaR估计的精度较高,而参数类模型的估计精度较差。由于参数类模型的主要使用了正态假定且忽略了波动率的聚集性,所以也进一步说明了我国证券市场收益在一定程度上不符合正态性假定且存在波动聚集现象。　　 第4章在分析VaR模型的变动性和估计精度的基础上,进一步研究了基于不同持有期下的VaR估计精度和平方根缩放法则的合理性。在两种不同的置信水平、两个不同的证券市场下,利用五种不同的风险度量方法分别对于七种不同持有期的VaR值进行估计,并采用二值损失函数(BLF)和平方损失函数(QLF)原则对不同持有期下的VaR估计精度进行评估,结果表明了在沪深两个市场的综合统计中,持有期为9天,10天,11天的VaR估计精度较高,这也说明了巴塞尔委员会规定以10天为期限的VaR预报准则有着一定的合理性。其次,实证分析表明了无论哪个市场、哪种方法和置信水平,平方根法则缩放的绝对偏差都会随着持有期限的增长而增大,通过相对偏差还可以看出参数方法与半参数方法大部分都低估了真实的VaR值,而非参数方法,比如历史模拟法,在99％的置信水平下,高估了真实的VaR值,而在95％的置信水平下,低估了真实的VaR值,这说明了置信水平的设置对于非参数方法的平方根缩放法则是有一定的影响,但就其他方法而言,低估的一般结论不受置信水平的影响。综上所述,巴塞尔委员会遵循的平方根缩放法则有着一定的不合理性,特别是在我国的证券市场的运用中,会产生一定的误差,实践中应给予足够的谨慎。　　 第5章建立了违约率估计模型、违约风险模型与违约风险的VaR度量模型。主要思路和结果如下:首先,针对违约率的估计,在传统的线性Logistic模型的基础上建立了变系数Logistic模型,该模型是线性Logistic模型的一个推广,并克服了线性Logistic模型中的线性假定。由于变系数Logistic模型中系数是随着观测数据的变化而变化,从而使得该模型比传统的线性Logistic模型更加适应数据的变化规律,也使得对于违约率的估计更为精确。在理论上,运用局部加权最大似然方法解决了变系数Logistic模型的估计问题。其次,在已经建立的变系数Logistic模型基础上,运用Bayes判别法的基本原理,建立了违约风险判别模型,该模型主要对于违约风险的识别和分类。再次,在已估计的违约率基础上,运用保险精算的理论,建立了违约风险模型,该模型包括违约风险总量模型(用于事后风险评估)和违约风险聚合模型(用于事先风险预测),并通过矩方法、矩母函数方法以及中心极限定理等统计学原理给出了计算违约损失分布函数的方法。最后,在损失分布的基础上,运用第3章与第4章探讨的VaR估计方法对违约风险进行度量,建立了违约风险的VaR度量模型,运用该模型所得到的VaR值可以作为金融机构控制和监管违约风险的一个参照。　　 第6章在理论上对VaR与CVaR风险度量进行了比较分析,并进一步研究了违约风险的CVaR度量模型与组合最优解。VaR作为风险度量方法,在理论上有着一些难以克服的缺陷。鉴于VaR理论上存在的不足,CVaR应运而生。CVaR作为对VaR不足进行修正的一种风险度量方法,在理论上有着更为合理的性质。因此,本章从一致风险度量、一致期望效用最大化和免于尾部风险三个方面入手,对VaR与CVaR进行了详细的比较分析,比较结果主要有:VaR不是一致风险度量,而CVaR是一致风险度量:当组合按一阶随机占优排序时(条件较为严格),VaR风险度量一致于期望效用最大化并能免于尾部风险:当组合按二阶随机占优排序时(条件较为宽松),CVaR风险度量一致于期望效用最大化并能免于尾部风险。因此,就一致于期望效用最大化和免于尾部风险而言,CVaR比VaR有着更为宽松的条件。最后,在第5章的基础上,构建了CVaR约束下的违约风险组合模型,证明了其有效边界的上凸性,并引入负指数效用函数,利用期望效用最大化原理,在一定的假设条件下,得出了CVaR组合模型的最优解。　　 第7章给出了全文研究工作和主要成果的总结,并对今后的研究作出了展望。　　 从各章所获得的结论之间的关系来看,第1章与第2章作为问题的提出和全文的理论基础,第3章与第4章是在此理论基础之上,系统研究了VaR各种估计方法在我国的证券市场中的估计精度问题,第5章是基于前两章实际研究中的得出WaR估计精度的结论,针对信用风险中的违约风险进行了理论上的VaR建模研究。在第6章中,利用VaR的修正方法--CVaR,进一步对违约风险进行建模,并对CVaR约束下的违约风险组合模型的有效边界和组合最优解进行了探索性研究,为VaR风险度量方法的进一步发展提供了有益的尝试。本文主要的创新点:　　 本文针对VaR风险度量方法的估计精度和违约风险建模两个部分展开研究,主要创新点涉及到方法应用和理论创新两方面。具体有:　　 针对中国证券市场,在不同运算窗口下,分析了不同的VaR模型对我国证券市场风险的控制能力,并提出了使用四种不同的标准,分别对VaR估计的三类主流方法所建立的VaR模型变动性和VaR估计精度进行系统研究；　　 针对中国证券市场,提出了不同持有期下的VaR估计精度检验方法,并利用绝对偏差、相对偏差和标准偏差三种标准,对不同持有期下的VaR估计精度以及平方根时间缩放法则的合理性进行了实证研究；　　 运用统计学的理论知识,建立了一个新的违约率估计模型--变系数Logistic模型以及违约风险判别模型,并通过局部加权最大似然方法给出了该模型的估计。最后,在违约率估计的基础上,运用保险精算的理论知识,建立了违约风险的VaR度量模型；　　 比较研究了VaR作为风险度量方法的理论缺陷,建立了基于VaR修正方法*-CVaR度量下的违约风险组合模型,探讨了CVaR违约风险组合模型的有效边界,并引入负指数效用函数,在理论上推导出CVaR.组合模型的最优解。