Copula理论可以很方便的把n元联合分布分解为n个一元边际分布和一个copula函数，不要求n元联合分布满足联合正态性的假设。通过选择一系列不同的边际分布和与之匹配的copula函数，我们可以构建出比现有多元模型更好的模型。然而，采用copula方法建立的模型(简称copula系模型)的参数估计问题却受限于维数灾现象。由于维数灾的存在，精确最大似然估计法(Exact Maximum Likelihood)的运用受到限制。因此，估计copula系模型主要采用一种称为边际推断函数(Inference Function for Margins)的两阶段最优化方法。然而，如果待估函数是由估计精确得分函数推导而来的近似模型时，这种估计方法的效率较低。 针对copula系模型的估计问题，本文提出了一种多阶段分部最优方法(MBP方法)。这一方法将复杂的似然函数最优化问题分解为两个相互迭代的步骤分别进行优化：首先对边际分布函数部分进行估计，再对多元似然函数的相关依赖参数和copula参数进行估计，并将所得估计结果修正前者估计，依次迭代直至所有参数估计值收敛。 第一章阐述了研究背景、研究目的、研究意义、研究框架、以及本研究的主要创新和贡献。本文提出的MBP方法有效的提高了copula系GARCH模型的参数估计效率。模拟数据和实证数据都表明了这种估计方法收敛速度快，且易于实现。此外，本研究成果不仅为金融时间序列分析应用提供了一种强大有效的估计方法，也为复杂结构的似然函数估计理论提供了一种求解思路。 第二章围绕着研究目的，我们详细回顾了本研究所涉及的研究领域和研究方向的主要成果，包括了copula系GARCH模型的构建、估计方法的有效性研究、这些模型和方法在股票市场的VaR估计的应用研究、以及对于孟加拉国股票市场的分析现状。 第三章给出了copula函数的定义、性质和常用copula族等基本概念，并阐明了本研究将要用到的统计分析工具。此外，还介绍了孟加拉国的两个股票市场的运营情况。 第四章详细论述了本研究所提出的MBP方法。本研究使用了两个椭圆copula分布，即二元高斯copula和二元t copula。相应的采用了包括GARCH、EGARCH、TGARCH和APARCH在内的四类GARCH模型来匹配这两种copula分布。 第五章是模拟数据和实证数据的比较研究。在模拟研究中，我们比较了在各种不同参数组合和不同样本规模下，MBP算法和EML算法的收敛速度。在实证研究中，我们比较了EML、IFM和MBP三种估计方法的估计效果。在收敛速度比较中，我们把IFM的估计值作为MBP方法的初始值，并以EML的估计值为基准，进一步比较了拟合模型的条件协差阵的均值和方差。 第六章利用MBP方法进行了VaR的实证分析。在风险管理中处于核心地位的VaR，可以算是应用最广的风险测度指标之一。因此任何一个股票市场的VaR估计都是非常重要的。通过MBP方法，我们把本文所研究的模型都进行了VaR估计，并通过VaR估计值来比较各个模型的风险测度效果。从中取出一个最优模型，与其他几个的典型的VaR估计模型一起，对孟加拉国的两个股票市场(DSE和CSE)进行了实证比较分析。结果表明以t分布作为边际分布的二元tcopula的GARCH模型是最效的。 第七章总结了以上本研究。通过理论和方法分析比较、实证数据和模拟数据的验证，本研究提出的MBP方法比IFM更简单，同时比EML方法更有效。