近年来,随着我国加入WTO,利率市场化、资本项目开放以及衍生金融市场的建立,金融资产所面临的市场风险也将日益突出和复杂。而且伴随着经济全球化和金融自由化,以及放松管制和金融创新、技术进步等因素,金融市场效率明显提高,而且市场规模也迅速扩大,与此同时金融市场的波动性和风险逐渐加大并日益明显。至此,金融风险的定量测度也日益重要。VaR方法是目前世界上应用比较普遍的风险定量测度方法之一。并逐渐成为金融风险管理的国际标准。VaR方法测量风险的特点有定量性、综合性、通俗性等,正因为如此而被许多银行、金融机构和监管机构广泛应用。将这种方法引入到中国的证券市场风险管理中有重大的现实意义。对于中国的证券市场,目前没有一种方法能在不同置信水平上有效而准确地估计市场风险值——VaR,本文在对各种VaR估计方法进行比较分析的基础上,对其中的一些方法进行改进,并以创业板综合指数的日收益率数据为样本,广泛借鉴国内外的研究成果,对创业板市场风险进行定量测度。文章所采用的研究方法主要是实证研究方法和比较研究,定量研究和定性研究等研究方法方法。采用这些方法对中国股票市场风险进行分析,从而获得不同置信水平下的VaR值,进而定量的度量中国创业板股票市场风险。如果想比较准确的估计VaR,就需要找到合适的模型。这样的模型能够较好地拟合收益率序列的分布。因此,本文我们首先对创业板综合指数日对数收益率序列的统计特征和分布进行分析,然后根据分析的结论选择更为合理的VaR估计模型。实证研究的结论是——通过正态性、自相关性以及ARCH效应的实证分析我们发现我国股市收益率序列具有尖峰厚尾性,弱自相关性,波动聚集性等特性。估计VaR值的方法有很多种,本文运用几个常用估计方法估计VaR,比如正态方法、GARCH模型法、历史模拟法和极值理论。然后应用Kupiec失败返回检验法对各VaR值有效性进行有效性检验。实证分析的结论显示——应用简单的平均正态方法估计的VaR在各个置信水平上都无效;而极值理论方法估计的VaR,在高的置信水平上无效,在较低的置信水平上有效;而运用历史模拟法和GARCH模型估计的VaR在较低的置信水平上有效,在高的置信水平上无效。因此直接运用这些模型估计VaR的值并不能得到在各个置信水平上都有效的VaR值,所以文中我们从两个方面对估计VaR的模型进行改进。我们在应用极值理论的POT模型估计VaR时,通常都假设超阈值满足独立同分布,但是实际中,超阈值往往是局部相关的。这样计算的结果就会使VaR估计值跟实际值相比较具有比较大的偏差。可以采用两种方法来消除超阈值的局部相关性:一是在POT模型中引入极值指标。实证分析的结论是——引入极值指标改善了POT模型估计VaR的有效性,同时也提高了POT模型估计的准确性。与此同时,实证分析还得出一个结论,在较低的置信水平上,即便在POT模型中引入极值指标,其所估计VaR仍是无效的;第二种方法是运用GARCH模型对收益率序列进行过滤处理。由于极值理论只在高的置信水平上有效,在低的置信水平上其可靠性不如一般的VaR估计方法,所以我们对GARCH模型过滤后的残差序列用极值理论与历史模拟法混合的方法来估计VaR值。经实证分析我们发现,这种方法估计的VaR在各置信水平上都有效,而且非常接近期望值。所以我们得出结论:用常规的方法直接估计我国创业板市场风险的VaR值,得不到在各个置信水平上都有效的VaR值。用GARCH滤波的历史模拟与极值理论的混合方法也可得到在各个置信水平都有效而准确的VaR估计。