70年代以前，由于金融市场价格变化比较平稳，金融风险突出地表现为信用风险，然而进入70年代以来，随着经济全球化和金融自由化的深化，全球金融系统发生了巨大的变化。计算机技术的发展使交易变得更加快捷、有效，金融市场风险的种类也随之增加，使得金融风险的防范与度量日趋复杂化。全球金融市场变革导致金融市场的波动性日趋加剧，加上技术进步(现代金融理论的突破、信息技术的巨大进展及金融工程技术的出现和应用)、金融创新与放松管制等因素的影响，使得在提高市场有效性的同时，也增加了金融市场前所未有的波动性和脆弱性。 当前应用广泛的VaR技术(Value—at—risk)是1993年J·P·Morgan，G30集团在考察衍生产品的基础上提出的一种风险测度方法。VaR方法一经提出便受到广泛欢迎：巴塞尔银行监管委员会于1996年推出的巴塞尔协议的补充规定中，明确提出基于银行内部VaR值的内部模型法，并要求作为金融机构计量风险的基本方法之一；美国证券交易委员会(SEC)1997年1月规定上市公司必须及时披露其金融衍生工具交易所面临风险的量化信息，指出VaR方法是可以采用的三种方法之一；目前美国一些较著名的大商业银行和投资银行，甚至一些非金融机构已经采用VaR方法。VAR之所以具有吸引力是因为它把银行的全部资产组合风险概括为一个简单的数字，并以美元计量单位来表示风险管理的核心—潜在亏损。 股票市场作为资本市场的主要组成部分，它的波动性与证券市场的发展息息相关。股票价格形成机制的理论研究一直伴随着证券市场的发展，并由此带动证券市场其它方面的理论研究，例如市场有效性理论，市场均衡理论，资本资产定价模型，期权定价理论等。股票价格的形成机制是一个复杂的非线性系统，它的高度复杂性主要体现在难以描述、难以分析性、难以预测性等方面。目前描述股票价格的形成机制、股价的波动模型主要有随机游走模型(Random Walk)、对数正态分布模型、ARCH以及GARCH类模型和SV(随机波动率)模型等。而SV模型与其它波动模型相比，在一定程度上能更精确地描述股票市场的价格波动现象。 风险度量的方法有很多，笔者主要针对VaR的原理，基于MCMC方法展开对GARCH模型和SV模型的实证比较研究。目前VaR已成为商业银行、投资银行、非金融公司、机构投资者测量市场风险的主流技术。 计算VaR的方法有：历史模拟法、分析法和蒙特卡洛模拟法。但历史模拟法假定回报率分布在整个样本时期内是固定不变的，且不能提供比所观察样本中最小回报率还要坏的预期损失；分析法虽然简化了VaR的计算，但它要求市场因子必须服从正态分布、价值函数非线性程度低，虽然使用了GARCH模型族在不同的分布假定下来描述市场因子，但现实中经常无法满足这两个假定，这也使得至今没有一种统一的方法和标准来衡量金融市场风险。针对分析方法在处理非线性证券组合时的不足，近年来基于马尔可夫链的蒙特卡洛模拟(简称MCMC)被引入到VaR的计算，它可以克服传统的蒙特卡洛方法的缺陷，提高估计的精度。目前已有的研究表明，利用MCMC方法估算得到的参数值会比利用MC模拟估算得到的参数值更精确，有更好的拟合效果和更精确的波动率预测。 在国内的研究中，在金融学领域，使用MCMC方法的研究还比较少。王春峰(2000)等首次提出将MCMC方法应用于VaR的计算，通过对美元国债的实证分析和计算，验证了MCMC方法的优越性。孙米强等(2004)首次将随机波动SV模型应用于VaR的计算，说明了基于SV模型下的VaR更具有动态性和准确性，更贴近金融市场的风险水平。近几年随机波动模型在我国得到了不断的发展，研究者提出了众多的扩展模型，例如厚尾SV模型，均值SV模型等。但是此类标准SV模型的扩展模型模拟我国金融时间序列的优劣程度并无确切标准，难以达成共识，必要的标准体系有待确立。 本文旨在利用波动率模型来测量股市的VaR值。从GARCH模型和SV模型两个角度，采用理论与实证研究相结合，刻画中国股市的波动率，进而求得VaR。并且主要运用MCMC理论中最常用的Gibbs抽样方法结合中国上海股票交易所的几只行业股和上证综合指数进行实证研究，结果得出了基于两种模型下的综合上证指数和农林牧渔业指数、工业指数、商业指数、地产指数、奥运指数、金融指数6支行业股指数测算的VaR值，最后对GARCH模型和SV模型估计的结果进行比较研究，在定性研究和定量研究的基础上得出SV模型能够更好地刻画我国股市股价变动的波动率和风险价值。 本文的研究内容大致可以分为以下几个方面： (1)从金融风险度量的重要性谈起，引出VaR提出的背景和必要性。 (2)完整介绍VaR的计算原理、计算方法和模型的正确性检验。 (3)MCMC理论及其应用，根据MCMC方法中的Gibbs抽样方法和Metropolis-hasting抽样方法各自的特点，针对具体情况应用何种方法，都进行了描述。 (4)介绍SV模型和GARCH模型的理论基础和应用。 (5)根据上证股市的数据，利用Gibbs抽样方法对随机波动模型进行了参数估计，同时利用极大似然估计进行GARCH模型的参数估计，最后进行二者的比较研究。 本文的创新之处在于：(1)运用一种比较新颖的统计方法，对我国金融高频数据进行研究，涵盖了MCMC理论中的具体方法Gibbs抽样，对MCMC方法的应用进行了详细的实证研究和分析。(2)除了研究综合指数，将行业股指数引入，用实证方法证明综合指数和行业股指数的波动率变动是否一致或者近似；将GARCH模型引入作为对比研究，说明了MCMC方法的SV模型更能够刻画指数的变动，当然不同的指数得出来的结果也是有差异的，这在实证的结果中会进行详细的阐述。(3)运用一种较为实用的统计软件Winbugs展开实证分析研究，和以往的研究思路有所不同，首先需对软件的原理要透彻理解，同时需要必要的编程方可进行实证对比分析。 实证比较研究表明，基于MCMC方法的SV模型对VaR的估计更为精确，动态变化更明显，但在风险的度量上应将两种方法结合起来使用，对风险的预测才会更为准确和到位。从实证结果可以看出，VaR值有时候也表现出较强的集聚性，即一个较高的VaR之后必然会有一段较高的VaR值持续存在，虽然两种模型对VaR的预测几乎没有交集，但由于SV模型对VaR的预测反应更快，更准确，持续的时间也会更长，所以说VaR的持续性也是金融风险管理应该关心的一个问题，即波动的集聚性。这次由美国“次贷危机”进而进发经济危机也从侧面告诉我们必要的风险度量体系有待确立和完善，风险度量不能仅仅停留在研究阶段，VaR的准确性也有待进一步探讨。