關於風險值之估計，拔靴法因直接以市場資料為抽樣分配，計算時便包含一般財務時間序列所常有的厚尾高峰等現象，避免模型偏誤(Model Risk)。但市場上的波動因具有異質變異，易產生波動聚集現象(Volatility Clustering)，是以歷史資料無法立即反應波動之起伏與及時之資訊，一般VaR估計模型往往在波動較劇烈起伏處，無法準確估計風險值，因而提高市場風險。 　　針對於此，此次研究嘗試以GARCH模型捕捉波動起伏，並運用拔靴法估計之便捷與優點，估計更可靠之風險值（簡稱GARCH Bootstrap）。研究所得之主要結論如下： 　　1.拔靴法(Bootstrap)以及偏誤修正之拔靴法(Bias-Corrected Bootstrap)在厚尾及常態之下，皆比歷史模擬法有較佳之估計。但實證資料因厚尾情形不足，三者之VaR估計，並無顯著差異。 　　2.拔靴法及偏誤修正之拔靴法於模擬中有較大之差距，實證下則較小，應為實證資料厚尾情形較輕微所致。 　　3.模擬中，在GARCH模型之配適上，選擇樣本大小（或窗口大小）為250日或500日皆為條件之估計較佳。但實證上，250日的資料仍嫌不足，在計算參數時會有不收斂而無法得其結果。建議在窗口選擇上應至少為500日。 　　4.在資料本身具有GARCH現象時，GARCH Bootstrap會較Bootstrap為佳。