【摘要】本文以沪市和深市综合指数收益率为研究对象。首先,考虑到收益率序列存在波动聚集性、非线性以及非对称等特征,因此本文一方面利用了GARCH模型在准确刻画波动聚集性方面的优势,另一方面引入神经网络分位数回归(QRNN)模型来解决非线性和非对称方面的问题,建立了QRNN-GARCH模型对收益率风险特征进行度量。但QRNN-GARCH模型对收益率序列极端尾部数据处理能力不足,为此用极值理论的POT方法对此模型进行改进,构建了QRNNGARCH-POT模型,将其应用于极端VaR风险测度。此外利用失败率、似然比检验与相对误差率,对比QRNN-GARCH-POT模型与其他模型在VaR风险测度中的表现。结果表明:第一,基于QRNN-GARCH模型的VaR风险测度取得了比GARCH模型更好的效果,仅是极端(99%)VaR风险测度精度不高。第二,QRNN-GARCH-POT模型改善了极端VaR风险测度效果。