该文尝试引入基于极值理论的两种新算法来克服正态分布的缺陷,以达到提高风险价值估算精度的目的.该文论述了基于极值理论的两类不同的算法.一类是以越槛高峰模型(Peak Over Threshold)为核心的算法,该文第二章对该算法进行了详细的理论推导并利用上海、深圳两地的日收盘指数进行了实证分析.这一类算法的基本思想是对回报数据中的超额数进行建模,利用极值理论的一些结果,引入广义帕雷托分布(GPD)来拟合超额数的分布,最终得到回报分布的最左端样本值的分布函数,然后即根据风险价值定义直接求得VaR;另外,在推导过程中,该文提出了预期不足额的概念,并给出了具体的计算公式,指出通过将风险价值VaR和预期不足额搭配可以取得比较好的风险管理绩效;在该章最后,还利用两种不同的方法对所选取的模型进行了后验检验.第二类算法是二次子样算法,其基本思想是通过两次抽样来确定尾部参数的估计值,然后利用幂指数规则和正则规则求得高概率水平下的回报分布分位数,以此作为相应的VaR估计值.在该方法中,最关键的是确定降序统计量的序数值M和相对应的样本值,这一点是通过寻求渐近均方误差AMSE最小化来实现的,文中第三章对这一点用了较大的篇幅进行论述.对于这两种不同的算法,该文都给出了理论推导和相应的实证分析,结果均表明,对于较高的置信水平,两类计算方法的表现都优于正态分布假设下的各种计算方法.第四章将以极值理论为基础的算法和传统的计算方法进行了综合,给出了在任意概率水平下的分位数的估计,从而将风险价值的估计从仅仅局限于高概率水平的尾部扩展到整个数轴,弥补了极值理论算法只适宜高概率水平的不足.第五章是该文的总结部分,在这一章中,详细指出了极值理论方法的各种不足并对金融风险管理方法的未来发展做了一些展望.