在经济金融领域里,VaR是一个被广泛应用的风险度量,而且巴塞尔协议规定金融机构利用VaR来刻画金融风险和做相应的风险管理,但是在实际应用中,VaR却存在着一些不足之处,缺乏次可加性,测量的风险值相对大小不能完全反应真实风险状况.为了弥补VaR的不足,有学者提出条件风险价值CVaR(Conditional Value at Risk),而且Pflug(2000)指出可以将CVaR看成某一最优化问题的解,即损失变量X的置信水平为(1-α)%的CVaR可表示为：其中[α]+：=max{0,α}.设X1,X2,…,Xn为总体X的一组样本,A. Alexandra T(2007)等人给出了该优化形式下CVaR的估计并在独立同分布条件下讨论了该估计的相合性和渐近正态性,但没有给出这两个性质中任何一个的收敛速度.罗中德[47](2010)研究了ρ混合序列下CVaR估计的渐近性质.至于α混合样本的CVaR,该估计的渐进性还未见学者研究.本文将该优化估计推广到α混合样本条件下,并得出其收敛速度.一般地,金融、经济时间序列的样本并非独立,样本相依性则是它们固有的特性.特别地,a混合是金融数据中比较常见的混合形式.因此,研究在a混合样本条件下该估计的渐近性质有着重要的理论价值和应用价值.本文在α混合序列下研究了上述CVaR估计的大样本性质,研究的主要内容和结果如下：首先,讨论在样本为α混合序列的情形下CVaR估计的强相合性,并证明当a混合序列满足一定假设条件时,强相合的收敛速度为n-,其中：(i)当样本矩的阶数r≥2时,可以取任意的0≤κ<1/2；(ii)当1≤s≤r<2时,可以取κ=1-1/s.其次,讨论在样本为α混合序列的情形下CVaR估计的一致渐近正态性,并且给出一致渐近正态的收敛速度,其收敛速度约为n-1/6.再次,对一些a混合序列的CVaR进行随机模拟,并比较了优化估计方法与次序统计量方法所得估计的优劣,通过数值模拟得知,CVaR的优化型估计可以更好地处理α混合样本,而且相对于次序统计量方法而言,其误差更小、精度更高,特别是当样本容量较少时,优化方法的优越性更加显著.最后,对我国股市的上证医药和上证材料的CVaR进行估计,由计算结果得出,在相同概率水平,上证医药的CVaR要小于上证材料的CVaR,即上证医药的风险要小于上证材料的风险.