VaR(Value–at-Risk)是度量、识别和管理金融市场风险的先进工具,也是Basel推荐的市场风险管理内部模型,为提高VaR度量精度,研究者们围绕市场未来收益率的分布、波动性估计和资产组合定价三个因素进行了众多研究。金融时间序列分布不是正态的,而是有偏的、厚尾的,现有的研究采用t分布、广义误差分布(GED)等分布较好地解决了厚尾问题,而对于偏度考虑得较少。为解决偏度问题,在用ARCH模型族度量VaR时,引入了不对称冲击系数。由于偏度和峰度并非独立,这不能从根本上解决偏度特性。本文引入了能够同时反映峰度和偏度的偏t分布(SKST),实证显示SKST分布较传统的t分布、GED分布不仅能够更好地拟合波动,而且在估计VaR时也较传统对称厚尾分布更加精确。Engle提出的ARCH模型及其后来计量经济学家们所发展的ARCH模型族在波动性估计方面取得了巨大成功,但是传统ARCH模型族波动模型的系数为常数,它忽视了金融市场存在的一些外界不可见因素,这些因素会导致金融时间随机变量发生偶尔和突然跳跃,使波动状态在高低之间不断转换。当这些不连续的跳跃发生时,收益率结构也发生动态变化,传统ARCH模型族没有刻画这一跳跃,因而波动性的估计会产生“虚假”的持久性记忆,在度量VaR时会降低估计精度。本文运用状态转换ARCH模型(SWARCH模型),令不可观测的状态为服从一阶马尔科夫过程的随机变量,将其引入到ARCH模型中,发现含有状态转换下的SWARCH模型较传统ARCH模型在拟合金融波动、度量和识别VaR方面具有更好的效果,能够识别外界政策等因素对波动冲击的强度,刻画这些因素使状态发生转换的程度。资本资产定价模型(CAPM)是金融学的基石,这一基本原理有着重大的理论意义和实际价值,然而经典CAPM由于存在正态分布、β系数固定不变等假定而备受挑战。另外在运用CAPM度量资产组合VaR方面,由于没有考虑到市场因子和风险资产组合所存在偏度和峰度特征,因而在计算VaR时不能准确度量资产的风险。本文提出了基于马尔科夫转换下的资本资产定价模型,即允许β系数和条件方差服从一阶马尔科夫过程的动态变化,揭示出β系数和波动的动态变化过程,实证检验显示此模型较经典CAPM具有更好的效果。在该模型基础上,本文提出了市场指数、风险资产分别服从两个独立马尔科夫过程下的资产组合VaR模型,即SSRM模型,实证显示本模型较经典CAPM与GARCH相结合模型在度量资产组合VaR方面有显著的优势,而且此模型还可以准确地区分系统风险和非系统风险。