金融风险测度与预测一直是经济领域研究的热点问题,尤其对于波动性较大的可投资产品而言,比如股票、期货与期权等。常用度量风险测度方法是Va R模型,与统计学的分位数模型是一致的。然而,传统的分位数回归模型无法反映分布尾部的极端风险,从而容易导致过度乐观的风险值。与分位数回归相比,expectile回归模型不仅具有良好的数学性质（如一致性和可引出性）,而且可以刻画分布尾部的极端损失或收益。鉴于此,本文首先回顾了expectile回归在建模方面历史发展,然后结合神经网络近年来在模拟非线性系统模型方面的优异表现,提出了一种基于神经网络新的变型-稠密卷积神经网络的expectile回归,并命名为expectile DN模型。最后,通过对expectile DN进行数值模拟实验,并将实验结果与已有的非参数expectile模型相比较,结果展现出expectile DN模型优良的预测能力。具体来说,我们首先回顾了expectile回归的历史发展,非参数模型的发展从最初的局部线性、有限样条或小波基函数逼近,以及到较近代的集成学习代表ER-boost,后者是一种基于boosting算法的expectile回归模型。随后伴随着再生核方法的流行,一种基于可再生希尔伯特核空间的expectile回归模型被有些学者提出。然而,以上建模的方式都是以浅层学习展开的,无法对特征进行很好的变换以及难以适用于高维度的非线性问题。本文考虑充分利用稠密卷积神经网络（Dense Convolution Networks）的优势,提出基于稠密卷积神经网络的expectile模型以便实现较好的风险预测能力,简称为expectile DN。重要的是,稠密卷积神经网络不仅可以通过较少参数来表示高维数据,而且每一个隐含层与前面所有层都有连接,从而加强特征信息在每一层的传递,进而减轻梯度消失的问题。根据我们提出的模型,本文对expectile DN模型进行了数值模拟实验与比较分析。数值模拟样本点来自固定的样本生成函数,分别在不同误差分布、样本量、解释变量维度上,对expectile DN模型与其他两种非参数模型对比（基于boosting算法的expectile模型、基于再生核希尔伯特空间的expectile模型）进行实验。训练集占总样本的80%,测试集占20%。记录实验的误差度量指标-均方偏差和实验所用时间。通过对实验结果进行分析,发现expectile DN模型与ER-boost、再生核expectile回归相比,具有相对较好的特征学习与预测能力。综上,本文的研究工作,在方法上提出了将expectile回归和稠密卷积神经网络结合的模型,并给出具体的模型结构和训练方法,丰富了expectile回归的建模工具。在数值模拟上,将提出的expectile DN模型与已有的expectile非参估计器—ER-boost和再生核技术进行了细致的比较。数值模拟实验结果显示出expectile DN模型优良的预测性能。