在VaR预测的基础上，对其预测效果进行定量分析，运用相关方法对预测结果的准确性进行分析是关键所在。目前，对VaR的检验有UC检验、独立性检验以及条件覆盖检验（CC检验）。

1.非条件覆盖检验

非条件覆盖检验（Uconditional Coverage，UC）方法主要的原理是检验实际结果与预测结果之间的具体差异从而判断模型预测的有效性。Kupiec（1995）通过定义“碰撞序列”提出了一种非条件覆盖检验方法，其碰撞序列定义为：

也就是说，碰撞序列是一个为0或为1的序列，为0表示实际的收益率变动小于所预测的VaR，相反则取1。若T为St的总数，T1和T0分别表示碰撞序列St中取值为1和取值为0的次数，则在置信水平为1-α时对VaR检验的原假设定义为：

其似然函数将服从卡方分布：

从上可知，对于UC检验主要就是通过统计其碰撞序列对其似然函数的分布进行检验，如果其结果证明服从自由度为1的卡方分布，则说明所预测的VaR的准确性，相反就证明该模型的预测结果欠缺稳健性。

2.条件覆盖——CC检验(www.daowen.com)

检验理论失败率与预测的失败率之间的差异，远远无法达到判断模型预测效果的目的。为了解决这一问题，有文献提出检验失败率之间是否相互独立从而进一步判断模型的预测效果，这称之为独立性（IND）检验，而同时兼顾了这种失败率以及失败率之间独立性的检验方法称之为条件覆盖检验（Conditional Coverage test，CC检验）。

近来，Candelon等（2009）提出了一种基于GMM间隔的检验方法可以对预测结果进行CC检验。其具体的原假设为：

j的取值代表了正交矩阵的条件时点数（Number Of Moment Conditions），具体内容可参见Candelon等（2009）的相关文献。在实际的应用过程之中，主要是查看检验的p值，p值越大说明模型预测的可靠性越高。

从上面对VaR的相关理论，尤其是对其检验的相关的方法梳理发现：对VaR预测是否准确已经从原有的非稳健的方法到了现在较为稳健的方法。在以往分析VaR的预测效果时，往往采用Kupiec（1995）的后验分析方法，但这种方法无法对各个失败次数之间是否相互独立进行判断。因此，仅用这种方法进行判断各模型对VaR的预测效果可能有违实际情况，即会误判模型的预测结果。

因此，本书在实证分析过程当中，将会运用同时检验实际失败率与理论失败率之间是否一致以及各次失败次数之间是否具有独立性的稳健性检验方法，对各模型的预测结果进行稳健性检验，从而对基于HARQ方法及极值理论对我国动态VaR的预测结果进行稳健性分析，并据此比较各个模型对动态VaR预测的差异。因此，在本书的实证分析中，将主要报告基于条件覆盖检验，即CC后验分析方法的检验结果，并据此对各个模型的预测结果进行判断。