预测是关于未来的陈述。经济预测的目的是帮助决策者制定经济政策，好的预测有助于实现好的决策。经济预测模型主要分为两类:一类根据现实经济现象构造经济理论模型，并用此理论模型来预测经济的未来表现，这类模型假定经济结构将保持相对稳定;另一类模型则采用时间序列方法（如ARMA和GARCH模型等），它们主要依据变量本身的数据特征来构建统计预测模型。随着计算技术的快速发展和时间序列数据的日益丰富，新的和更复杂的预测技术不断发展起来，如采用非线性模型和时变参数模型等(Gooijer and Hyndman，2006)，这就使得比较和评估不同预测模型显得尤为重要，这可以帮助比较不同模型的预测绩效并有所新发现。本文在对已有密度预测评估文献分析整理的基础上，提出了样本内和样本外密度预测评估的数据驱动平滑检验(data-driven smooth test)方法，并且明确考虑了参数估计效应对检验统计量的影响，蒙特卡洛模拟结果显示本文提出的这两个检验方法具有较好的有限样本性质。此外，本文运用VaR模型正确设定检验和VaR模型预测绩效多元比较的最新研究成果，比较全面地分析了各种VaR模型在中国股票市场上的预测绩效。具体而言，本文的研究可归纳为以下几方面的内容:　　本文第二章提出了一个样本外密度预测评估的数据驱动平滑检验方法，且同时对概率积分变换(PIT)序列的独立性和均匀分布性质进行检验。该章采用West and McCracken(1998)的方法来纠正参数估计对样本外密度预测评估检验统计量的影响。蒙特卡洛模拟表明样本外密度预测评估检验方法具有很好的有限样本性质。在经验分析部分，该章考虑了四种股票指数（德国DAX30指数，英国FT100指数，日经225指数和标准普尔500指数），并运用该章提出的样本外密度预测评估方法来检验各种最大熵GARCH模型的样本外预测绩效。结果证实了最大熵GARCH模型可以用于刻画金融数据中常见的尖峰、厚尾和偏态等特点，而GARCH模型中考虑了厚尾和偏态性质的PearsonⅣ分布对于四种股票收益率的样本外密度预测是很重要的。　　本文第三章提出了一个样本内密度预测评估的数据驱动平滑检验方法，且同时对PIT序列的独立性和均匀分布性质进行检验。该章采用Newey(1985)和Tauchen(1985)的方法来纠正参数估计效应对样本内密度预测评估检验统计量的影响。蒙特卡洛模拟表明样本内密度预测评估检验方法具有很好的有限样本性质。在实证部分，作者运用该章和第二章提出的样本内和样本外密度预测评估方法来检验各种最大熵GARCH模型在中国股票市场（上证综指、香港恒生指数和台湾加权指数）的预测效果。实证结果显示最大熵GARCH模型可以用来很好地分析中国股票指数的各种典型化事实，具有较好样本内拟合优度和样本内预测绩效的模型未必具有很好的样本外预测效果，GARCH模型中考虑了厚尾和偏态性质的PearsonⅣ分布对于中国股票收益率的样本外密度预测是很重要的。　　本文第四章比较全面地比较了香港恒生指数、上证综合指数和台湾加权指数收益率序列各VaR模型（包括参数方法、半参数方法和非参数方法，共22个模型）的样本外预测绩效，结论如下:(1) Hansen(2005)的SPA检验显示RiskMetrics模型整体表现不好。当采用Lopez(1999)的幅度(magnitude)损失函数时，在所有的情况（不同的股票指数和VaR水平）下，SPA检验在5％的显著性水平下拒绝了原假设（即备选模型集合中没有模型比基准模型RiskMetrics的预测效果更好）。(2)结合Hong等(2008)广义谱检验和Hansen等(2011a)模型置信集(MCS)预测检验结果发现，历史模拟法整体表现较差，并且滤波历史模拟法的预测绩效也没有显著改进;误差项为学生t分布的位置-尺度模型族具有较好的预测绩效;极值理论模型、CAViaR模型和CARE模型的预测绩效取决于具体的股票指数或VaR水平。