首先，VaR模型是对正常的市场环境中的金融资产的风险的衡量，但一旦金融环境出现动荡，即当极端情况发生时，VaR模型所代表的风险大小就失去了参考价值。然而，很多时候恰恰是这些极端值，决定了为了完善对所有市场状况下的风险衡量。因此，为了完善对所有市场状况下的风险衡量，通常在VaR模型的基础上可以引入Stress Test即压力试验和极值分析两种方法进行辅助。压力试验主要是在违背模型假设的极端市场情景下，对资产组合收益的不利影响进行评价；而对VaR进行辅助的极值分析的方法有两种，分别是BMM和POT，其中最常用的一种模型是POT模型。它是在当风险规模超过某一最大值的情况下进行的建模。它直接处理风险概率分布的尾部，事先并不对数据的分布做任何假设，在利用设定参数建立的模型的基础上，对极端情况下的风险规模和概率进行衡量。
第二，VaR模型是在收益分布为正态分布的情况下的衡量。但事实表明，资产的收益的尾部比正态分布的尾部更厚，通常成为厚尾性，且其与正态分布的对称性也并不一致。当这种情况出现的时候，VaR模型就不会产生一致性度量的结果。所谓一致性风险度量即是风险衡量得出的度量值的大小与风险的实际大小具有一致性。对风险大的金融资产衡量得出的风险值大于对风险小的金融资产衡量得出的风险值，具有相同风险的金融资产具有相同的风险度量值，具有不同风险的金融资产具有不同的风险度量值。针对VaR模型度量的不一致性可以引进ES（Expected shortfall）或者CVaR（conditional value at risk）模型对VaR模型进行修正，两者是同一概念的不同说法。CVaR称为条件风险价值。它是当资产组合的损失超过某个给定的VaR的情况下，资产组合的损失的期望。用数学公式表达为:
其中X表示资产的损益。
根据CVaR的定义可以证明CVaR满足以下性质：
(1) 是一致连续的。
(2) 满足次可加性。，满足
。
(3) 满足二阶随机占优。
(4) 满足单调性。
因此，用CVaR模型可以对收益分布为非正态分布的资产组合的风险进行衡量，并且其衡量的结果具有一致性。此外，CVaR模型是在当损失超过某个最大值的情况下的概率，也就解决了VaR模型的厚尾性问题
VAR模型还有很多缺点，我希望大家能多多给些指点．
