在前文VaR的相关理论阐述内容中可知，对VaR的预测效果具有多种后验分析方法，但目前最为稳健的后验分析方法是Candelon等（2009）提出的一种基于GMM间隔的条件覆盖检验方法，即CC检验方法。该方法不仅检验了理论失败率与失败率之间的差异，同时检验了各失败次数之间是否独立，因此是一个稳健的检验方法。我们将采用这一方法对各模型的VaR预测效果进行检验分析。各模型对沪深300指数和恒生指数5分钟高频数据所预测的下尾VaR的检验结果见表5-2和表5-3所示。

表5-2　沪深300指数5分钟数据下尾VaR条件覆盖检验（CC test）

说明：表中数值为模型动态预测VaR的条件覆盖检验结果，数值越大说明模型预测越准确。加粗为对应分位数水平下（对应行）最大的值，即对应模型为预测最准确的模型。

表5-3　恒生指数5分钟数据下尾VaR条件覆盖检验（CC test）

说明：表中数值为模型动态预测VaR的条件覆盖检验结果，数值越大说明模型预测越准确。加粗为对应分位数水平下（对应行）最大的值，即对应模型为预测最准确的模型。

从表5-2可知，在所对比的9种模型中，H-CSJQ模型对沪深300指数的下尾VaR的预测结果较其他模型具有显著优势，除了0.995分位数水平外，对其余的0.9、0.95、0.975和0.99四种分位数水平下的VaR预测，H-CSJQ模型是所对比的模型中表现最佳的模型。也就是说具有时变参数的H-CSJQ模型超越了其他传统的HAR模型。同时可以发现，传统了HAR模型对沪深300指数动态VaR预测的CC检验的p值均较低（这里的检验值越低说明模型预测得越差），如HARC模型在0.995分位数水平VaR预测的CC检验值仅为0.083 6，这说明了传统类的HAR模型对沪深300指数的预测不及具有时变特征的H-CSJQ模型预测效果优异。

从表5-3中可以发现，基于5分钟高频数据，结合HARQ族模型和极值理论对恒生指数下尾VaR的预测，除了0.9分位数水平外，对其余的0.95、0.975、0.99和0.995四种分位数水平下的VaR预测，H-CSJQ模型同样是所对比的模型中表现最佳的模型，同样说明了具有时变参数的H-CSJQ模型超越了其他传统的HAR模型。与沪深300指数类似，传统的HAR模型对恒生指数动态VaR预测的CC检验的p值均较低（这里的检验值越低说明模型预测得越差），如HARC模型在0.995分位数水平VaR预测的CC检验值仅为0.076，这同样说明了传统类的HAR模型对恒生指数下尾VaR的预测不及具有时变特征的H-CSJQ模型预测效果优异。

从上文可知，无论是新兴市场还是成熟市场，在时变参数异质自回归模型基础上，利用极值理论建模对其下尾VaR的预测相较于其他传统类固定参数约束的HAR模型，具有更加优异的预测结果。由于股票市场具有卖空机制，H-CSJQ模型对其上尾VaR的预测表现如何呢？我们利用同样的方法分别对沪深300指数和恒生指数上尾VaR进行了预测分析，具体的预测结果见图5-7和图5-8所示。从图中可以直观发现对恒生指数和沪深300指数上尾VaR的预测效果。同时分别对两个市场的预测结果进行了定量后验分析。利用与前文同样的条件覆盖检验分析方法分别对沪深300指数和恒生指数上尾VaR的预测结果进行分析，具体的CC检验结果见表5-4和表5-5所示。(www.daowen.com)

图5-7　沪深300指数上尾VaR预测结果

图5-8　恒生指数上尾VaR预测结果

表5-4　沪深300指数5分钟数据上尾VaR条件覆盖检验（CC test）

说明：表中数值为模型动态预测VaR的条件覆盖检验结果，数值越大说明模型预测越准确。加粗为对应分位数水平下（对应行）最大的值，即对应模型为预测最准确的模型。

表5-5　恒生指数5分钟数据上尾VaR条件覆盖检验（CC test）

说明：表中数值为模型动态预测VaR的条件覆盖检验结果，数值越大说明模型预测越准确。加粗为对应分位数水平下（对应行）最大的值，即对应模型为预测最准确的模型。

从表5-4及表5-5可见，对上尾VaR的预测结果，H-CSJQ仍然是所对比的各种模型之中表现最为优异的模型。虽然并没有在各个分位数水平下具有最佳表现，但是在所对比的各种模型中，H-CSJQ模型在5种分位数水平下具有4次最佳表现，这同样说明了H-CSJQ模型对沪深300指数和恒生指数上尾VaR预测结果的精确性。即与上尾VaR的预测具有同样的结果，具有时变参数特征的H-CSJQ模型对上尾VaR的预测相较其他传统类固定参数约束的HAR模型表现更加优异。