金融资产的风险价值(VaR)是指在既定的显著性水平下,在一定时期内资产可能发生的最大损失。在计算上可分为参数、半参数、非参数三种方法。本文主要研究了基于GARCH模型的参数估计法,假定金融资产收益率拥有特定的分布函数,在参数估计法的分析框架下,单位时间内金融资产的风险价值等于资产收益率的分布函数在既定显著性水平下的分位数、资产的期初价值、资产收益率方差三者的乘积。资产收益率方差估计的精度直接关系到资产风险价值能否被准确计算。由于GARCH模型能够较好的捕捉金融资产收益率的波动特征,文中使用GARCH模型对资产收益率的方差进行建模、估计和预测。在GARCH模型的估计方面,有传统的极大似然法(ML)和基于贝叶斯原理的马尔科夫链蒙特卡罗模拟算法(MCMC)。极大似然法通过求解似然方程得出参数的点估计结果,由于似然方程的非线性性质,求解似然方程往往需要迭代求解,当参数空间维数较大时,迭代过程可能非常耗时且得到的解可能是局部最优值而非全局最优值。贝叶斯方法避开传统优化方法的局限,将参数的先验信息与似然函数相结合得到参数的后验分布,将参数估计引入概率论的分析框架中,该方法能够得到模型参数的区间估计、后验均值等信息,对数据利用的更充分,较极大似然估计有较大优势。文中以2008年1月2日至2015年12月31日上证综合指数(SSEC)和深证成分指数(SZSC)为研究对象,使用GARCH模型对指数收益率方差进行建模,分别利用极大似然法和贝叶斯方法对GARCH模型进行估计并基于模型的估计结果对收益率的方差进行了预测。为比较两种方法的有效性,作者采用均方误差(MSE)和平均绝对误差(MAE)两种指标对贝叶斯方法和极大似然法预测得到的方差序列同指数收益率方差的真实值进行了比较,实践证明贝叶斯方法对对指数收益率方差预测误差小于极大似然法。采用失败率检验对VaR模型进行后验测试发现,贝叶斯方法估计的风险价值失败率较极大似然法更低,通过实证分析发现贝叶斯估计优于极大似然估计。