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。