嘿嘿，也想知道怎么做的

1. 在用参数法做风险价值VaR时，主要是从预测波动率和分位数两方面着手：

问题1，预测波动率时，将数据分样本内和样本外，用样本内数据建立GARCH模型，
是用该模型对样本外的所有数据的波动率用同样的系数进行预测，还是随着时间
窗口向前滚动一天后重新建立GARCH模型，用新的系数来估计未来一天的波动率，
即所谓的one-step-ahead ，如果是这样的话，若样本外数据太多计算量将会很大,(rolling window, should be very fast, or buy a powerful computer)

还有会不会造成过度估计？

问题2，在建立GARCH模型时，对残差的分布选择在Eviews里面只能选正态，t, GED
三种，若要想假定为其他的厚尾分布时，该咋整？(do not use Eviews, make your own code if you want to use fancy distributions. Indeed it does not matter, t and GED has been enough) 若直接用ML对似然函数估计，
有些分布的pdf比较复杂，写程序也不太好实现。能否先用正态或者t分布下的GARCH
对收益率建模估计出波动率，然后剔除其影响得到所谓的“标准化收益率”，然后
再用得到的标准化收益率序列来估计其他厚尾分布下的参数，求出分位数，再乘以
估计出的波动率得到VaR值，这种做法可行不？(Cannot understand you)
可能使用的术语不太专业，希望对这方面熟悉的朋友点拨点拨，不胜感激！

特别感谢楼上几位的驻足,特别是zhaoaweden和yuew72两位!

对与第二个在其他厚尾分布下计算VaR的问题我可能表达的不太清楚.正如zhaoaweden所言,如果只是来计算

波动率(条件方差)的,GARCH模型在这几个分布假设下计算的结果可能差别不大(收益率序列的波动率一般在

小数点后2到3位).但在计算VaR时,需要用到分布假设下一定置信水平下的分位数,比如正态下的95%为1.64,

99%下的为2.33,然而金融数据大都不是正态分布的(正态的尾部较薄),若是其他分布下象stable,Laplacede

的分位数要比正态的大很多,个人觉得这更能影响到VaR值!

关于计算VaR时的分布选择问题请继续讨论!