在本书的实证分析过程中，主要是为了探讨具有时变参数特征的HARQ族模型对我国股票市场RV的拟合及其在此基础上的动态VaR的预测，而从前一章的实证结果可知，在所对比的各种模型之中，即对8种传统模型类HAR模型——HAR、HARS、HARSA、HARC、HARJ、HARAJ、HARSJ、HARCSJ及对应升级后的具有时变参数的8种模型——HARQ、H-SQ、H-SAQ、H-CQ、H-JQ、H-AJQ、H-SJQ和H-CSJQ，本书所提出的包含了跳跃成分及跳跃符号的H-CSJQ模型是表现最为优异的模型。因此，为了进一步实证探讨具有时变参数特征的新颖的HARQ族模型对动态VaR的预测效果，在此将对比分析具有最佳表现的H-CSJQ模型与8种传统的HAR族模型对我国股票市场风险动态的预测效果。

从上一节中的拟合效果可知，运用极值理论与HARQ相互结合的方法对我国股票市场标准化后的收益率具有很好的拟合效果，我们将在此基础上进一步展开对日VaR的动态预测。在预测过程之中，与前文中样本外的RV预测保持一致，采用滚动时间窗预测方法对我国股票市场的VaR进行动态预测。在对VaR预测过程中，主要是利用在第3章和第4章中滚动预测的RV的结果。具体而言，我们将讨论滚动样本外1 000天的VaR的预测效果，也就是说，对于沪深300指数而言，利用1～2 159个样本作为历史样本，利用包括H-CSJQ在内的各种模型对其拟合，然后利用相关的拟合参数预测下一天的RV，并利用EVT对其结果拟合进而预测出下一天的VaR，然后利用第2～第2 160个样本作为估计样本，并根据相关的参数估计结果对第2天的VaR进行预测，也就是说，所有预测的VaR均是基于之前的2 159个样本。而对恒生指数的动态VaR预测，同样是滚动预测样本外1 000天的VaR，也就是说每一个VaR都是基于之前的2 203个样本。据此得到了沪深300指数和恒生指数的样本外VaR预测结果。为了方便查看，分别在图5-5和图5-6中展示了基于H-CSJQ模型及EVT理论所预测的沪深300指数和恒生指数的100个下尾VaR。

图5-5　沪深300指数下尾VaR预测结果(www.daowen.com)

图5-6　恒生指数下尾VaR预测结果

从图5-5及图5-6中可见，基于H-CSJQ模型与EVT理论对沪深300指数与恒生指数的动态VaR预测效果，其中VaR-0.9、VaR-0.95和VaR-0.99分别表示对应0.9、0.95及0.99分位数水平下的VaR预测结果。那么，这里的预测结果是否值得信赖呢？也就是说基于H-CSJQ模型与极值理论相结合的方法对我国股票市场动态VaR的预测是否准确，这需要进一步进行后验分析。