随着国家与国家之间的关系越来越紧密,全球经济迅速地发展,同时也让金融市场的波动性不断加剧。在证券市场中,股价的波动也颇为频繁,这与证券市场的风险息息相关,因此对风险进行度量成为了投资者们在投资时关注的焦点。VaR是在概率意义下反应证券组合在一定持有期内的最大损失量,是风险管理中重要的一部分,并且广泛应用于科学研究和实证分析。由于金融时间序列一般不服从标准正态分布,所以用参数法来计算VaR值有很大的局限性。而传统的Monte Carlo模拟法对VaR值的计算有时会出现一定的偏差,因此对传统Monte Carlo模拟法的改进尤为必要。本文基于蒙特卡洛模拟法,通过对几何布朗运动的标准差进行改进,构造了MC-SV-VaR模型。分别对MC-VaR、MC-GARCH-VaR和MC-SV-VaR三种度量风险的计算方法进行检验,检验结果发现,改进后的MC-SV-VaR模型在度量风险方面有非常好的表现,在三种置信水平下的失败天数都小于另外两种模拟方法。这充分证明MC-SV-VaR对股市的风险度量更为有效。本文主要章节包括数据选取与数据处理和基于MC方法的VaR估计。在数据选取与数据处理这部分,我们主要以2017年1月16日到2018年9月13日上证指数为研究对象,证明了上证指数对数收益率没有正态性,但是有尖峰厚尾性。进一步对数据进行平稳性检验、相关性分析和异方差检验,检验结果显示该时间序列具有ARCH效应,再考虑到金融收益序列出现异常观测值时会使得条件异方差的估计突然变动的这个特性,于是将SV模型引入到VaR的计算中。在基于MC方法的VaR估计这部分,首先介绍了模拟计算VaR值的算法流程,其次分别对MC-VaR、MC-GARCH-VaR和MC-SV-VaR这三种模拟方法对VaR值进行估计并对结果进行Kupiec检验,最后将检验结果的失败天数进行横向对比得出结论。结果表明,MC-GARCH-VaR和MC-SV-VaR这两种改进后计算方法都优于传统的Monte Carlo模拟法,其中MC-SV-VaR模拟法是最优的计算方法且可行性强。