VaR模型是一种基于统计技术的风险价值测度模型，其定义是指在正常的市场条件和一定的置信水平α(通常是95%或99%)下，某一金融资产或证券组合在未来特定的一段时间Δt内所面临的最大可能损失。因此，运用这样的技术就必然会面临任何统计估计中都存在的估计误差问题，这也意味着我们不能完全相信某个数值给出的结论，这样的数值只不过是给出了关于某件事情的一种描述，在一个大致范围下给出了指导意见。

　　在计算VaR的方差—协方差方法中，需要根据历史数据来估计出资产收益率的均值和方差—协方差矩阵作为该模型必要的输入变量;在历史模拟法以及蒙特卡罗模拟法等其他方法中，还需要了解资产的分布，估计一定置信区间下的分位数。无论哪种方法，都需要估计一定的参数，然而统计方法下的估计量总是存在一定的误差，只能在一定的置信水平下相信这个参数的合理性，或者说只能在围绕这个参数的一个区间内相信这个参数的大小。

　　那么这样的区间到底是多大的呢?比如在95%的置信水平下估计了VaR的值为1 000万元，那么实际的数值是多少呢?是在900万元到1 100万元之间呢，还是在300万元到1 700万元之间呢?这两种情形的差别是显而易见的。第一种情况下的估计就比较精确了，而第二种情况下的估计就显得没什么意义了。如果能够证实估计的精度比较好，或者如果能够有效地提高估计的精度，使得真实损失值在我们估计的VaR的周围变动的区间比较小，那么就能够比较有效地估计资产的风险了，从而使我们对采用的VaR方法有比较强的信心。

　　评价VaR模型的精确性，一般可以对均值、方差以及分位数等基础变量进行误差分析。

　　学FRM，就来好睿教育。