随着“次贷危机”的爆发和“欧债危机”的蔓延,金融风险特别是市场风险的计量与控制的重要性显得尤为突出。VaR (Value at Risk)是巴塞尔委员会规定的最基本的市场风险度量与管理工具,在现代金融风险管理中处于重要地位。本文基于股指期货高频数据,利用历史模拟法和德儿塔-正态方法建立VaR预测模型,并对模型进行回测检验,从而确定股指期货合理的市场风险计算方法,为投资者控制风险提供科学的参考。序言部分介绍了选题的背景和按照风险的来源对金融风险的分类,金融市场风险的种类,在险价值的这一概念的起源、发展和应用以及其在现代金融风险管理中的地位。最后介绍了与证券市场等其他金融市场相比,期货市场的特殊性和把VaR技术引入期货市场,基于股指期货高频数据建立VaR模型,分析股指期货价格风险的重要性和现实意义。文献综述部分首先介绍了JP摩根集团开发VaR技术的时间和研发团队；随后介绍了JP摩根集团提出VaR概念后国外学者对VaR建模技术的实证研究,和对VaR应用的广泛而深入的研究：接着介绍了VaR技术引入国内后,国内学者对VaR技术在商业银行风险管理、商业银行资产配置效率以及证券市场风险管理的应用。最后,介绍了国内外学者在回测VaR模型有效性上的探索和得出的有效方法。理论分析部分首先从概念上介绍了VaR模型,从资产价值的概率分布角度分析了连续型价值分布和离散型价值分布下的VaR建模分析与应用,以及VaR值的基本计算方法；其次介绍了德儿塔-正态方法的理论来源、模型假设和正态分布下的模型设定,并详细介绍了多期VaR值的计算方法和具体的建模操作步骤。再次介绍了历史模拟法的理论来源,模型假设及其建模方法和操作步骤;之后介绍了失效率回测模型的模型假设、模型设定和具体的建模方法以及操作步骤,对模型进行失效率回测检验的重要意义。最后,介绍了特殊事件独立性检验模型及其具体的建模方法和操作步骤,说明了特殊事件独立性检验对失效率回测检验的重要补充作用,以及其对检验模型是否存在设定误差,确定模型有效性的积极意义。实证分析部分首先详细阐述了利用德儿塔-正态方法进行VaR建模的步骤,根据经典的假设条件建立VaR模型,而后对模型得到的VaR值与真实的损失进行比对,统计特例事件出现的次数,计算在1分钟、3分钟、5分钟和15分钟四个频率的数据上进行失效率回测检验时模型得出的Z统计量,并与模型给定的置信水平的边界值进行比对,分析模型的有效性。比对后发现依据经典假设建立的模型无法通过失效率回测检验,因此必须对模型进行改进。考虑很多研究提到结合切比雪夫不等式得出的修正因子对模型进行修正后得到的在险价值的值是其VaR值的上限,因此本文首先对采纳切比雪夫不等式得出的保险系数为修正因子的模型进行失效率回测检验,发现在1分钟、3分钟、5分钟、15分钟四个频率的数据上的Z统计量全部大大的小于99%的置信水平的的左侧边界值,也就是说模型确实高估了真实的风险。然后对在保险系数1到3之间搜索最后的模型修正因子,提高模型的有效性。利用修正因子对模型进行改进后发现4期VaR模型的失效率显著高于1期VaR模型,因此将收益率的自相关系数纳入4期VaR模型中,对4期VaR模型进行进一步改进。对改进后的4期VaR模型进行失效率回测检验,发现模型的失效率显著降低。也就是说,自相关系数是4期VaR模型的应该考虑的重要的风险因子之一。在1期模型和4期模型全部通过了失效率回测检验后,对模型进行特殊事件独立性检验,发现模型对应的特例事件的具有显著的积聚效应。因此,将最近11期的收益的最大值和最小值纳入模型对VaR模型进行进一步改进。最终发现改进后的1期模型通过了特殊事件独立性检验,但是改进后的4期VaR模型仍然没有通过特例事件独立性检验,也就是说4期VaR模型需要进一步改进。实证分析第二部分阐述了利用历史模拟法进行VaR建模的步骤,并对模型进行失效率回测检验,发现在3分钟、5分钟、15分钟这三个频率的数据上模型通过了失效率回测检验,但是在1分钟数据上模型没有通过失效率回测检验。而后将最近11期收益的均值作为一个单独的风险因子引入模型,对模型进行失效率回测检验后发现在1分钟数据L模型仍然无法通过失效率回测检验。最后将最近11期收益的最大值和最小值引入模型,进行回测检验后发现模型在1分钟、3分钟、5分钟、15分钟四个频率的数据上全部通过了失效率回测检验。随后,对模型进行特殊事件独立性检验,检验结果发现Z统计量全部小于1.645,也就是说多头模型和空头模型全部通过了95%的置信水平下的特殊事件独立性检验,模型准确可靠。实证分析的第三部分是比对基于两种方法分别得到准确有效的VaR模型后,从VaR值的均值、标准差和特例事件发生时VaR预测值对真实的损失的偏差的均值、标准差和预测率五个维度对两种方法下的1期VaR模型进行对比分析,以期寻找最优的VaR模型。比较的结果是,基于历史模拟法得到的VaR模型在VaR值的的标准差和特例事件发生时的VaR值对真实损失的偏差的标准差两个维度上优于基于德儿塔-正态方法的VaR模型,而在另外的三个维度上,两种方法的VaR模型互有优劣。因而,并不能确定基于历史模拟法的VaR模型更优。结论部分介绍了经过实证得到的有效的VaR模型,以及在建模和模型检验过程中发现的一些问题,如空头头寸的VaR值的衡量相对于多头头寸更困难,随着数据采集频率的降低VaR模型在失效率检验中的Z统计量呈现出明显的两头高中间低的形状等。最后介绍了本文的不足以及后续研究计划。数据使用的频率、时间范围及理由。本文利用股指期货高频数据建立VaR模型,为了提高VaR模型的通用性,下文建模和回测使用的数据是2010年4月16日到2011年12月30日的日内高频数据,因为在这一年的时间里股指期货经历了快速上涨、快速下跌、盘整上涨、盘整下跌、盘整等多种市场行情结构。在日常交易中投资者常用的高频数据为1分钟、3分钟、5分钟、10分钟、15分钟、30分钟、45分钟数据,下文选用最常用的1分钟、3分钟、5分钟和15分钟四个最常用的频率的数据。本文的建模思路。本文遵循由一般到特殊、由简单到复杂的研究思路,首先根据经典假设建立模型,然后对模型进行失效率回测检验,分析模型的有效性。如果模型没有通过失效率回测检验,则根据回测结果对其进行改进；如果模型通过了失效率回测检验,则对模型对应的特例事件进行独立性检验。如果模型无法通过特例事件独立性检验,则需要对模型进行进一步的改进；如果模型既通过了失效率回测检验又通过了特例事件独立性检验,则模型准确有效；如果一个参数对应的模型通过了特例事件独立性检验,但是在失效率回测检验中Z统计量小于下边界值,另一个参数对应的模型没有通过特例事件独立性检验,但是通过了失效率回测检验,这时选择前者为可接受的模型。因为,前者虽然高估了真实的风险,但是考虑到后者存在一些条件下低估了真实的风险,为了有效的控制风险,本文选择相对保守的模型。本文的创新点国内以往的VaR研究主要集中在股票市场,利用VaR模型分析股票指数和个股的VaR值,分析股票组合的VaR值、边际VaR以及成分VaR。而利用期货高频数据分析VaR模型有效性的研究则还没有,本文将VaR方法引入股指期货的风险衡量上,并基于股指期货高频数据计算未来的潜在风险。数据采集创新。本文的数据来源与已有的研究不同,数据的准确性更高。之前的研究所采用的数据通常来源于文华财经、交易开拓者等交易软件,由于软件自身问题这些数据的精确性通常存在问题。本文采用的数据来源是,首先从上海期货信息技术有限公司的综合交易平台提供的API接口上直接采集的500毫秒级数据,然后利用MATLAB程序将500毫秒级的数据转化为本文研究所需要的1分钟、3分钟、5分钟、15分钟数据。因而本文所采用的数据的准确性更高。模型创新。已有的研究大多将VaR模型应用于股票市场,由于股票市场是单向交易机制,因而分析的是股票投资者面临的股票价格下跌的风险。而期货采用的是双向交易机制,所以本文不仅建立多头VaR模型来衡量持多头头寸的投资者面临的期货价格下跌的风险,并且建立空头VaR模型来衡量持空头头寸的投资者期货价格上涨的风险。本文在利用德儿塔-正态方法建立VAR预测模型时,不仅充分利用了已有的保险系数和收益自相关系数,还将最近11期的收益的最大值和最小值引入模型,使1期VaR模型通过失效率回测检验和特殊事件独立性检验,增强了模型的有效性。本文利用历史模拟法建立VaR模型,将最近11期最大收益和最小收益引入模型,使模型通过了失效率回测检验和特殊事件独立性检验,提高了模型的有效性。