神经网络分位数回归模型(QRNN)是神经网络与分位数回归的结合,充分发挥了神经网络与分位数回归的优势。一是通过神经网络,可以充分模拟金融系统中的非线性结构；二是通过分位数回归,能够完整揭示响应变量的条件分布特征。因此,神经网络分位数回归模型,全面提升了分位数回归的功能,往往能够得到较为理想的分析效果。本文将神经网络分位数回归模型应用于金融系统预测研究,一是股票市场VaR风险测度,二是人民币汇率的条件密度预测。在基于神经网络分位数回归模型的VaR风险测度方面,将其与极值理论的POT方法相结合,解决了极端VaR风险测度问题。由于金融时间序列极端尾部数据的稀疏性,一方面非线性分位数回归存在非线性函数形式选择困难,另一方面非线性分位数回归的极端VaR风险测度精度一直不高。为此,提出了使用神经网络分位数回归模拟金融系统的非线性结构,并使用极值理论的POT方法弥补非线性分位数回归对极端尾部数据信息处理能力的不足,得到了一个新的金融风险测度方法：QRNN+POT,给出了其基本算法,并将其应用于极端VaR风险测度。选取了世界范围内代表性国家股票市场为研究对象,从样本内与样本外两个方面实证比较了QRNN+POT方法与已有的非线性分位数回归模型在VaR风险测度中的表现。在基于神经网络分位数回归模型的人民币汇率预测方面,给出了其条件概率密度预测方法。将人民币汇率的实际值作为输出变量,其影响因素作为输入变量,建立神经网络分位数回归模型,估计人民币汇率的条件分位数；进而使用概率密度预测方法,实现对人民币汇率完整概率分布的预测。选取人民币兑美元汇率为研究对象,建立了神经网络分位数回归模型并进行概率密度预测,将其预测结果同线性分位数回归、BP神经网络、线性均值回归等方法进行了实证比较。研究结果表明：第一,直接使用非线性分位数回归模型能够准确地得到正常VaR风险测度,而极端VaR风险测度效果却差强人意,使用QRNN+POT方法,极大地改善了极端VaR风险测度效果,能够有效地描述金融危机期间出现的极端风险；第二,神经网络分位数回归模型显著提高了人民币汇率预测准确程度,神经网络分位数回归模型的概率密度预测结果,能够提供人民币汇率未来走势更为丰富的信息,便于科学决策。