评价
方差—协方差矩阵法有它的优势，它提出了投资回报分布的假设。输入了回报的均值、方差、协方差等数据以后，计算风险价值还是相对容易的。但是，在风险价值的测量中，这种方法还是显示出三个明显的缺陷。
第一，错误的分布假设。如果有条件的回报不是属于正态分布的，那么所计算的风险价值就会比实际的价值低。换句话说，如果投资回报分布曲线中异常因素比正态曲线中本可以出现的多，那么实际的风险价值将大大高于计算得出的风险价值。
第二，错误的输入参数。即使标准化回报分布的假设成立，计算得出的风险价值仍然可能是错的，因为用来测量风险的方差及协方差等参数不正确。只要在风险测量中使用了历史数据，测量中就会出现标准误差。换言之，计算风险价值的方差—协方差矩阵是用来进行风险测量的参数集合，其中会有很大的误差项。
第三，非稳定的变量。随着时间的推移，风险资产的方差和协方差参数都会变化，与此相关的问题也会随之出现。预测的风险价值不稳定，这是因为用以计量的原始数据发生了变化。假设原油价格上涨15%，那么美元与日元之间的汇率也可能发生变化。预测的风险价值也会跟着变化。
正因为存在着上述种种缺陷，学者们一直在寻找解决这些问题的方法。
首先，许多研究人员研究如何用假设去测量风险价值，而不是用标准的正态分布曲线。我们在“风险计量的贡献”一节?曾经提到过正态混合分布模型。衍生产品和风险管理教授约翰·赫尔等曾经提出了面对非正态分布的变量时如何预测风险价值的方法。他们认为，用户可以根据变量来确定概率分布模型，但是这些发生变异的概率分布模型不能脱离多元正态分布的轨道。在他们和其他学者撰写的论文中，研究者提出了多种正态分布的变异模型，但是他们也遇到了两个实际问题。第一，计算非正态模型的参数是很困难的，若参数中包括历史数据，就尤其困难。第二，计算损失的概率及风险价值最简便的方式是利用正态分布曲线，曲线的对称性越弱，胖尾越明显，计算就越困难。
其次，有学者着手开展其他的研究，希望用更完善的测量工具去获取比较可靠的方差和协方差参数，用来计算风险价值。有人建议改进抽样方法和数据创新，以便获得更加理想的方差和协方差参数。还有一些人断言，改进统计方法有可能从现有的数据中得到更好的预测结果。例如，传统的风险价值估计是基于这样一种假设，即投资回报的标准差不会随时间的变化而变化（就是所谓的“同方差性”）。但是恩格尔（Engle）却认为，如果我们所使用的模型能够允许标准差随着时间的变化而变化，那么就能够得到更好的风险预测（“异方差”）。事实上，他提出了两个变量，即自回归条件的异方差（ARCH）和广义自回归条件下的异方差（GARCH）。通过这两种变量，可以对方差进行更好的预测，从而更好地测量风险价值。
最后还有一种与方差—协方差矩阵法相左的观点，它分析的是风险与投资组合之间呈线性关系的资产组合。因此，一旦投资组合中包括期权，模型就失去作用，因为期权的收益不是线性的。为了解决投资组合中期权及其他非线性回报的金融产品所带来的问题，研究人员已经研究出二次风险价值测量模型。这些二次模型，有时被称为德尔塔伽马模型（因为更加传统的线性模型被称为德尔塔正态模型）。研究人?可以用这样的模型来测量比较复杂的投资组合的风险价值，组合中包括期权和类似期权的投资工具，如可转换债券等。这种模型的不足之处是风险价值的计算十分复杂，而且计算的结果往往与感觉到的风险有较大的距离。
