为了克服主流金融理论在解释实际金融市场典型事实时所暴露出的种种缺陷，一类被称之为“新金融学”(New Finance)的研究引起了人们的关注。“新金融学”研究的代表流派主要是20世纪80年代后期兴起“行为金融学”(Behav-ioral Finance)以及20世纪90年代兴起的“经济物理学”(Econophysics)流派。其中，“行为金融学”的研究以心理学上的发现为基础，辅以社会学等其他社会科学的观点，尝试解释那些由于投资者的非理性行为所造成的实际金融市场的异象。“经济物理学”则是将物理学(特别是统计物理学)的理论、方法和模型应用到经济学和金融学领域研究的一门新兴学科。
　　虽然上述这些建立在主流金融理论基础之上的风险测度方法在各自不同的领域都取得了一定的成功，并且在可以预见的将来，这些市场风险的测度方法还会在风险管理学术界和理论界得到广泛运用，但需要指出的是：无论是市场风险的相对测度还是绝对测度，在理论上或实际运用中都存在着这样或那样的缺陷。
　　(一)市场风险相对测度方法(指标)的缺陷
　　首先，市场风险的相对测度方法只是一个相对的比例概念，并没有回答某一资产或组合的风险(损失)到底有多大。其次，相对测度指标对测度对象的依赖性较高，无法测度包含不同市场因子或不同类型金融产品组合的风险，因此也就无法比较不同资产组合的风险大小。最后，由于相对测度方法无法综合不同市场因素、不同金融产品的风险暴露(Risk Exposure)，因此金融监管机构无法了解各具体业务部门和机构的整体风险状态，从而无法进行有效的风险监控和绩效评估活动。
　　(二)市场风险绝对测度方法(指标)的缺陷
　　对市场风险的绝对测度指标而言，当实际市场不满足“有效市场假说”的前提条件时，最主要表现在当资产收益不满足正态分布时，方差(Vari-ance)以及VaR等指标的准确度都将大大降低。以目前主流的风险价值指标(VaR)为例，Zan-garic、Bouehaud and Potters以及Assaf的研究表明，在正态分布假设下计算的VaR值，常常会低估实际的风险，可能会使金融机构遭受巨大的损失。
　　由于实际市场收益率的尾部普遍展现出比正态分布宽大的“胖尾”(Fat-tailed)特征，因此一些学者在不同的收益分布假设下研究了金融资产VaR的计算问题。比方说，Venkatara—man、Bauer、Khindanova等以及Haas分别运用混合正态分布(Mixture of Normal Distribution)、双曲线分布(Hyperbolic Distribution)、稳定分布(Stable Distribution)和两个学生t分布的马尔可夫混合(Markov Mixture of Two Students’t Dis-tributions)探讨了相应的金融资产VaR计算方法。
　　最近，Sardosky的研究表明，无论是用传统的移动平均(MA)、指数平滑(Ew)、自回归(AR)等方法，还是用GARCH类模型，都无法给参数类VaR找到准确和统一的波动参数估计。因此，不同估计方法得到的参数VaR模型在计算同一资产的风险价值时，就会出现明显偏差。Guidolinand Timmermann的研究发现，虽然马尔可夫混合模型(Markov Mixture Model)能较准确地测度收益率月度数据的VaR，但它对日数据的VaR测量能力则明显较弱，因为日数据具有十分明显的非高斯(Non-Gaussian)特征。
　　更为严重的问题是，Artzner，Delbacn andEber以及Acerbi andTashe的研究表明，VaR本身不是一种一致性的风险测度(Coherent Measures 0f Risk)。比方说，VaR不具有次可加性(Subadditive)，也就是说，实际中可能出现资产组合的VaR高于单个资产VaR的总和问题，因此不能用VaR来进行投资组合的优化。同时，VaR无法说明资产损失超过某一界限的幅度，即无法说明极端波动状态下的资产损失情况。因此，Artzner，Delbacn andEber提出满足一致性风险测度标准的Expected Shortfall指标。日前，Bormetfi等以及Sorwar and Dowd用非高斯模型(Non-Gaussian Model)和格栅模拟程序(Sdmulation-lattice Procedure)得到了VaR和Ex-petted Shortfall的估计值，实证结果均发现在任何给定的置信水平下，Expected Shortfall估计值都显著高于VaR估计值。
　　由于VaR在理论上和实际运用中存在种种局限性，一类称之为条件风险价值指标(ConditionalValue-at-Risk，CVaR)的方法应运而生。CVaR方法引起了风险管理学术界和实务界的浓厚兴趣，并大有取代传统VaR作为市场风险测度标准的趋势。Rockafeller and Uryasev首次正式提出了CVaR的概念。从本质上来讲，CVaR就是Artzner，Delbacn and Eber提出的Expected Shortfall，它是指金融资产的损失超过某个给定VaR的损失的平均值。CVaR代表了金融资产超额损失的期望值，反映了金融资产可能的潜在损失幅度，弥补了传统VaR指标在这一 问题上的不足。同时，Rockafeller and Ur-yasev指出，CVaR是一个一致性的风险测度，因为它具有次可加性和凸性(Convexity)，在数学上也非常便于处理。随后，Rockafeller andUryasev又说明了，CVaR可以通过线性规划算法优化，并在最小化CVaR的同时，也得到了VaR本身的近似最优估计。
　　面对上述事实，我国学者也根据本国国情、紧跟国外研究潮流，不断调整研究方法和研究对象。
　　在刻画实际市场收益率的“胖尾”(Fat-tailed)特征时。于红香，刘小茂使用基于一般帕累托分布(GPD)的EVT拟合SV-M模型的修正分布尾部；林宇等认为有偏学生t分布比正态分布、学生t分布更能准确反应金融收益分布实际特征。
　　为了给参数类VaR找到更准确的波动参数估计，余素红、张世英、宋军开展了GARCH模型和SV模型的VaR比较研究；林宇等引人FIAPARCH模型刻画金融价格条件波动率特征，以此测度金融市场动态风险VaR。同时，为了刻画股市极端波动风险的影响，封建强运用EVT和GARCH模型对沪深股市的极值VaR进行了测度研究；魏宇运用EVT和AR(1)－LGARCH(1，1)模型对上证综指和世界股市若干重要指数的极端市场风险进行了测度研究。与主流的使用GARCH族方法刻画波动率不同，邵锡栋，殷炼乾利用沪深指日内高频数据，分别通过ARFIMA模型和CARR模型对实现波动率和较新的实现极差建模，计算风险价值，并实证分析了各种模型的VaR预测能力，结果显示，使用日内高频数据的实现波动率和实现极差模型的预测能力强于采用日数据的各种GARCH模型。
　　随着更具优越性的一致风险测度方法Expec--ted Shortfall和CVaR的出现，我国学者也逐渐将注意力转移到这方面的研究上。但遗憾的是，这方面的研究主要是理论方法的介绍。如唐爱国、秦宛顺介绍了广义随机占优单调一致风险测度和ES方法；曲圣宁，田新时介绍了投资组合风险管理中VaR模型的缺陷以及CVaR模型研究；刘俊山比较研究了VaR和CVaR方法，此外探讨了CVaR在风险管理和监管实践中遇到的问题，指出CVaR模型的事后检验不易实施。 (责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）