【摘要】构建非参数、集成性的分位数回归森林算法,对上证综指和标普500指数的VaR进行了估计;同时构建了其他一些主流的方法,包括历史模拟、GARCH族方法、弹性网络、门限分位数回归、CAViaR等,进行检验和对比.通过对不同置信水平下的VaR估计进行多种检验,验证了该方法的有效性和稳健性.进一步,基于分位数回归森林模型定义了一种特征重要性度量方法,评估了各个因素对于风险值的影响权重大小,发现过去一日收益率对上证综指的风险值影响较大,而波动率对标普500指数的风险值影响较大,整体来看两国股市间的风险传导性较弱;并引入偏相依关系,动态地分析了各个因素在不同水平下对于风险值的作用方向,一定程度上弥补了机器学习算法在金融应用中一直存在的"黑箱性"问题.