如何使用尾指數方法測量風險？
爲了部分克服VaR方法的缺陷，一些量化組織開始對收益率分佈尾部的極端現象進行建模，以期能對極端情況下的損失進行更加全面的描述。一旦使用可獲取的數據計算出尾部分佈的參數，我們就可以從分佈函數中解析出獲得極限情況出現的概率，即使在樣本數據中根本不曾出現相類似的極端情況。
尾部參數化可以用極值理論(extreme value theory, EVT)來實現。EVT是一個寬泛的概念，它包含一系列的尾部模型函數。Dacorogna等(2001)指出，所有的厚尾分佈都屬於帕累託分佈(Pareto distributions)族。
就原始的收益數據而言，其尾指數因有價證券本身不同而不同。即便對同種有價證券而言，不同機構報價的原始收益數據也有着不同的尾指數，這種情況在高頻環境下尤爲明顯。
我們可以估算各種極端情況的嚴重程度以及其出現的概率。
將從回顧測試或者真實交易中獲得的收益率樣本數據從小到大排列。
利用樣本收益率分佈的最低5%估算尾指數值。
3.利用由尾指數得到的分佈函數估算極端事件的發生概率。根據尾指數分佈函數，收益率低於-7%的概率爲0.5%，而收益率低於-11%的概率爲0.001%。
尾指數方法幫助我們從已觀察的樣本收益率分佈推測出未觀察的收益率分佈。儘管尾指數方法非常有用，但它依然有侷限之處。舉例來說，尾指數方法會使用理論上的觀察值數據來“填充”實際的觀察值數據，當實際的樣本尾部分佈數據非常稀少時(通常如此)，尾指數分佈函數可能難以表現真實的極端收益。在這種情況下，一種稱爲參數自助法(parametric bootstrappin動的方法可能可以派上用場。