随着金融活动的复杂化,金融市场与金融交易规模的日益扩大,金融机构面临的风险也日趋加大。自2007年8月爆发的全球金融危机,许多著名的国际金融机构都因对资产的风险管理不足而蒙受巨额的损失。面对复杂多变的金融市场,特别是处于发展初级阶段、具有极强波动性的我国股票市场,无论投资者还是监管者都要一套切实有效的方法来管理与监控市场中的风险。VaR(Value-at-Risk)风险测量方法是当今金融市场用于风险计算的主流方法,被广泛运用在风险控制,金融监管,绩效评估等领域。　　VaR的计算方法有多种,其中蒙特卡罗方法(Monte Carlo)是计算VaR最有效的方法,然而它存在计算量大,收敛速度慢的问题,同时产生的静态伪随机数序列容易发生群聚效应,降低模拟效率。这使蒙特卡罗方法在实际中并没有被广泛应用,针对蒙特卡罗方法的不足,国外学者提出了许多有效的改进技术,其中采用拟随机数序列的拟蒙特卡罗方法(Quasi-Monte Carlo)大大改进了蒙特卡罗方法的收敛速度与估计精度。本文利用拟蒙特卡罗方法度量我国股票市场的风险价值,着重从计算耗时的角度比较标准蒙特卡罗方法与拟蒙特卡罗方法的区别,同时分析了拟蒙特卡罗方法在不同实现方式下的耗时。本文的研究内容主要包括以下几个方面:　　(1)对比分析了标准蒙特卡罗方法与拟蒙特卡罗方法在计算精度与收敛速度的差异,同时研究了使用Halton序列、Faure序列和Sobol序列,以及Box-Muller算法、Normsinv算法、Moro算法等三种正态随机变量抽样方法,对拟蒙特卡罗方法计算精度与收敛速度的影响。　　(2)分析了不同的数据结构与排序算法对拟蒙特卡罗方法耗时的影响,并且利用OpenMP设计和实现多核的并行拟蒙特卡罗方法,大大减少了计算耗时。　　(3)结合本文提出的改进方法,设计并实现了可同时计算多个股票的VaR值,并根据 VaR值、股票价格与用户风险抵抗能力等多个因素,智能地为用户提供建议(持有或出售)的实时股票风险预警系统。