经济全球化的加速,使得金融市场的开放性越来越强,金融市场的风险也随之持续增加,这使得风险度量变得越来越重要,如何构建科学有效的风险度量方法一直是广大学者关注的热点和难点问题。本文以构建风险价值模型为研究目标,提出了基于自适应分解方法的VaR估计模型。文中将标准普尔500指数的日收盘价作为数据源,分别利用经验模态分解、整体经验模态分解和局部均值分解进行数据处理,结合GARCH类模型。同时,与传统的GARCH模型进行比较。通过比较分析发现本文所给出的基于LMD且在残差序列服从广义误差分布条件下的ARIMA-GARCH模型的VaR估计效果最优。本文的具体工作如下:首先,将原始数据进行对数收益率处理;然后分别用EMD、EEMD、LMD进行数据分处理,并对分解后的各个分量进行包括描述性统计、正态性和周期性的多尺度分析,为后续建立合理的VaR模型奠定基础;其次,在假设残差序列分别服从正态分布、T分布和广义误差分布的前提下对各个分量分别建立使得各参数显著的ARIMAGARCH模型,从而得到各分量的条件方差序列;接下来求取不同置信水平下的分位数,从而得到整合的条件方差,计算求得S&P500指数在1%、5%和10%显著性水平下的VaR值;最后,对每个VaR序列做失败率回测,并且与经典方法的结果进行比较分析。实证结果表明,对于S&P500日收盘价的对数收益率数据,当假设每个模型的残差服从广义误差分布的情况下,基于LMD分解且在残差序列服从广义误差分布的条件下的ARIMA-GARCH模型的VaR估计模型精度高于其它两种处理方法,同时也高于经典的时间序列模型。综上所述,在风险管理中,风险的度量可以说是非常重要的环节,准确化解金融风险在非常大的程度上依赖于对风险的准确度量。通过研究比较发现本文所提出的基于自适应分解方法的VaR模型能够很好的拟合数据,有精确的VaR估计效果。因此本文给出的模型也可以被推广应用到碳价格、货币基金、互联网虚拟币等风险度量方面。