随着21世纪的到来,经济逐渐全球化,中国经济也随之迅猛发展。与此同时,中国的金融市场也逐渐规范化,其中对于股票市场,经过了几次股市震荡后,散户数量逐渐减少,大部分股票开始随市场行情和上市公司状况波动,因此反应大盘趋势的指数股走势逐渐平稳,整个金融市场也逐渐成熟,许多数据都逐渐呈现可估计、可预测的趋势。同时,目前的研究更偏向于参数方法,而实际上参数方法往往不能适应诸多金融曲线。于是,许多研究者便着眼于非参数和半参数模型。本文在此背景下,选择从非参数的角度出发,研究非参数统计的相关内容。针对固定窗宽难以处理复杂数据尤其稀疏密集差距大的数据的缺点,提出变窗宽估计,并证明了变窗宽方法较固定窗宽和其他拟合方法有一定的优势。再将其应用于金融模型中,通过对实际数据的模拟,证明了变窗宽方法要好于固定窗宽,且较相应领域经典方法也有一定的优势。该结论可以为以后的非参数方法应用提供一种优化思路,这也是论文的主要目的。具体的,论文从最基础的直方图估计入手,介绍非参数回归的基本理论和经典N-W核回归的推导过程,之后详细介绍了求出窗宽的Cross-Validation方法,并说明了其优秀的性质。然后论文简介了两种变窗宽方法,考虑到适用性问题选择了 Sliverman的方法,并用该种方法分别与固定窗宽方法、支持向量回归方法(SVR)用模拟数据进行拟合对比,证明了在作拟合时,该方法的可行性和优越性。重点部分即应用部分。本文先简介了目前常用的金融模型,根据适用性和代表性原则选择了 NAR模型和VaR风险价值模型。将变窗宽下的非参数方法应用其中,可以得到变窗宽下的非参数自回归模型(NAR模型)和变窗宽下的非参数VaR模型,用这两个模型作实际数据模拟,证明变窗宽下的非参数方法应用在这些模型中可行且在某些条件下结果更为优秀。这个结论能证明变窗宽可以起到优化非参数模型的作用,且整个模型相较领域内的经典模型也有一定的应用价值。论文的最后是对上述内容的总结,肯定了变窗宽方法的价值,并针对变窗宽及整个模型的不足之处进行思考和展望。