随着金融市场的发展,金融风险也在不断增大,对一个国家经济所产生的影响越来越难以被忽视,因而对金融风险进行度量显得尤为重要。在众多风险度量模型中,VaR(Value-at-Risk)是目前最为流行的风险测量工具,因此,如何准确地度量金融风险VaR对国家的金融市场健康发展具有重要意义。目前,对VaR进行测度的方法主要分为参数法、非参数法、半参数法,例如广义条件自回归模型、蒙特卡洛模拟法等。很多学者通过采用参数方法对VaR进行风险测度,但由于金融数据普遍都具有尖峰厚尾的特性,使得参数的正确估计变得更加难以把握。基于此,本文选取分位数回归模型与神经网络结合对股票市场的VaR进行风险测度研究。首先,选取贵州百灵股票和贵州茅台股票,在95%的置信水平下,基于TGARCH模型、分位数回归模型(QR模型)和神经网络分位数回归模型(QRNN模型)对VaR进行测度研究。实证分析表明,通过滚动样本划分方法划分样本后,传统的TGARCH模型在95%的置信水平下,对VaR的度量精度最差,模型的效果并不理想,一般分位数回归模型次之,较传统参数方法模型效果和精度都有所提升,而神经网络分位数回归方法对VaR的风险测度最为理想。其次,为进一步探究VaR的风险测度,本文又选取了上证综指和深证成指两组数据,分别利用分位数回归方法和神经网络分位数回归方法对95%的置信水平下和99%置信水平下的VaR情况进行测度研究,将一般分位数回归方法与神经网络分位数回归方法在相同条件下进行比较,结果发现,神经网络分位数回归不论是对95%置信水平下的VaR测度情况还是99%置信水平下的VaR测度情况都比一般分位数回归方法更为理想。研究表明,对金融风险VaR的测量,神经网络分位数回归模型优于传统的TGARCH模型和一般分位数回归模型。