在实际运用中，密切值模型存在哪些局限性？
密切值模型（VaR）是衡量金融资产或投资组合风险的常用方法，它的局限性主要包括以下几点：
-
假设的局限性：VaR模型通常基于一些假设，比如资产收益呈正态分布或其他特定分布，这些假设在现实市场中并不一定成立，特别是在极端事件发生时，模型的预测可能会出现偏差。因此在使用VaR模型时，需要考虑到这些假设的局限性，可能需要采用其他方法进行补充或修正。
-
非线性风险的忽略：VaR模型通常假设风险是线性的，即资产收益与风险敞口成正比，而在现实市场中，很多风险是非线性的，比如期权风险、市场流动性风险等，这些非线性风险可能会导致VaR模型的失真。
-
数据的局限性：VaR模型需要大量的历史数据来估计风险，而在实际应用中，有些资产可能没有足够的历史数据可供使用，或者历史数据并不能很好地反映当前市场的特点，这就会影响VaR模型的准确性。
-
风险的集中度：VaR模型通常只能提供整体风险的度量，而对于风险的分布情况、风险的集中度等细节并不能提供很好的解释，这就限制了管理者对于风险的全面理解。
针对以上局限性，可以考虑采用其他风险度量方法来进行辅助，比如压力测试、情景分析等方法，以更全面地评估风险。另外，可以结合VaR模型与其他风险模型，比如CVaR模型（条件值-at-risk）等，以提高风险评估的准确性和全面性。
具体案例： 例如，在2008年金融危机中，很多银行和金融机构使用VaR模型来衡量风险，但是这些模型并没有很好地预测到金融危机的发生，这就暴露了VaR模型在极端事件下的局限性。这也促使人们重新审视VaR模型的局限性，并提出了一些改进的方法。