随着世界范围内金融市场向纵深演化,各种艰深复杂的金融产品层见叠出,与此同时,不同产品间和不同经济主体间的相互关系也愈发紧密。2008年发源自美国的次贷危机最终席卷全球,造成了全世界范围内市场的振荡甚至崩溃,从普通的投资者到专业的机构,都遭受了极大的损失,这场危机向人们揭示了,产品之间的和主体之间的紧密关系,足以在资产价格下行时引爆巨大的系统性风险。2008年金融危机之前,华尔街使用了高斯copula去对CDO进行定价,但是忽略了全美房价集体下跌的相关性,这告诫了我们选择合适的模型、降低模型风险的重要性。而在我国,随着资本市场逐步走向成熟,市场化和自由化程度提高,不同市场之间、不同产品之间愈发呈现出一种协同运动的状态,一个市场的局部风险和一类产品的特殊风险不会独立存在,而是会快速传染给其他的区域和产品,使波动的范围变广、深度加深。2015年和2018年的两次股灾进一步引起人们的关注,学者们进一步加深了对金融市场协同运动的现象及其背后蕴含的风险的研究。对金融市场的研究自然离不开对股市的关注。一方面,股票市场深刻作用于社会经济生活,既影响投资者收益,又影响着市场资源的配置和实体经济的发展。另一方面,股市本身就是研究相关关系的重要样本,针对不同股票、不同行业和不同股票市场的相关性研究,都能产生许多新颖的观点。单只股票或单个市场的资产价格波动,许多时候能造成别的股票、板块或市场的资产价格发生同向的变动,这就使得风险非常容易通过这种波动传染的方式在市场上传播、聚集和扩大。值得关注和相对棘手的是,股票市场上的这种相依关系并不是静止的,而是在以很快的速度发生着时变。在这种情况下,加强对产品间、板块间和市场间的相依结构研究,既是监管方维护资本市场健康发展的必要之举,也对投资者进行组合管理和风险控制有着重要意义。Copula模型是研究相关结构的重要工具,Sklar是copula理论的发明者,早在上个世纪中叶就提出了这一理论,当时该理论并未被应用到金融的范畴,而在其后,这一模型在金融范畴的引入实是来源于市场的需求。因为到达20世纪末期,金融市场的发展已经相对成熟,各金融变量间的相关性也越来越强,需要能够刻画这种复杂相依关系的理论模型。Embrechts（1999）是将Copula理论引入金融领域的开创者,其使用Copula模型来衡量收益率序列之间的相依结构。Rockinger（2001）和Jondeau（2006）运用Copula-GARCH模型对金融指数之间的相关性进行了研究,根据他们得到的结论,使用t分布的Copula模型描述金融产品之间的相依结构,可以得到更精确的描述效果。后来,研究者们为copula模型增加了时间变量,也有学者将模型研究对象的维度提升,适应了真实世界中金融资产间时变的相关结构以及对高维市场变量进行研究和管理的需求,进一步深化了copula理论。例如由Creal（2012）首先构造的广义自回归得分（GAS）模型就可以用于刻画动态边缘分布。尽管如此,国内对copula模型的应用仍主要集中在对二元变量的关系刻画中,具有动态特征的藤copula研究也主要研究低维领域,因此,使用动态因子copula模型将模型变量向高维领域拓展,有利于加深对投资组合的认知深度,为投资方与监管方提供有益参考。本文研究的主要问题是动态因子copula理论下的投资组合风险分析。首先需要对资产边际收益率进行边缘分布的假设,在考虑现实世界中资产收益率存在的自回归、尖峰厚尾和非对称尾部分布现象,以及股市所具有的杠杆效应后,最终选择了AR（1）-EGARCH（1,1）-偏t模型来构建股票收益率的边缘分布。接着需要对因子copula模型的具体形式做出假设。本文引入了GAS-因子Copula模型,对沪深股市的五个行业、40家上市公司股票2015年至2019年的日度收益数据进行实证研究。模型拟合分为两步,第一步是对每只股票的边缘分布,分别采用极大似然法对AR-EGARCH模型进行拟合;第二步是实现对边缘分布拟合后,提取标准化新息,将其转换为copula观测值,采用MCMC算法对各组copula模型参数进行采样。考察股票间相关结构呈现出的特点;并通过比较不同copula模型对股票组合风险的测量效果,选择出最有效的模型。本文分为以下几个部分:第一章为绪论,这一章的内容是本文的研究背景、研究意义、研究内容、研究方法及本文的创新点。第二章为文献综述,将从五个方面对copula模型、投资组合理论以及VaR在险价值理论进行梳理。第三章为研究设计,介绍了边际分布及copula模型构建过程,及其分别的参数估计方法。第四章为实证分析,这一章在进行股票组合的选择与描述性统计后,采样得到对copula模型参数的估计,并进一步根据模型采样结果,考察子资产变量之间的后验相关系数特征。最后基于前文构建的模型,用不同模型计算指数成分股构成的投资组合的VaR,比较不同模型对风险刻画的精确度。第五章分为三部分,首先对前文进行总结分析,得出研究结论。接下来在实证分析基础上提出政策建议。最后是对将来的研究方向做出展望。本文的主要结论有:（1）本文选取的股票样本存在明显的波动聚集性和ARCH效应,根据对EGARCH模型的参数估计,γij的数值显著不为零,即股票收益率的杠杆效应显著,当资产收益进行下行运动时,会比收益上行时更多地增加新息的波动性。（2）不同行业的因子copula模型参数存在显著差异,使用动态分组因子copula模型可以引入更多的参数控制不同类别资产的尾部相关结构,相对于不分组的模型,分组模型纳入更多样本信息,刻画更加精确。（3）在对模型参数进行采样后,进一步使用蒙特卡洛模拟的方法测算股票收益率之间的后验肯德尔秩相关系数,以钢铁股和电子股为例,考察发现二者在股市下行、面临股灾时,相关系数明显攀升。（4）采用不同的时变因子copula模型估算投资组合未来风险,并对VaR值进行回测。高斯、学生t、GSt三种因子copula模型分别包括分组和不分组两种情况,结果显示,所有分组模型的风险测度效果都比不分组模型更好;有控制偏离程度的参数的模型,表现比不能刻画偏离程度的模型好。本文的创新之处体现在:（1）以往关于copula模型的研究主要关注两个或若干个市场、两个或若干个资产之间的相关关系,使用Copula模型研究高维问题的较少。藤copula模型通过将高维变量拆解为数个二维变量的组合的方法,可以对高维变量进行分析,但一旦维度继续增长,运算会变得非常复杂;本文引入因子copula模型,以潜变量作为介质,可以相对高效地描述高维投资组合间的相关结构。通过因子copula模型考察分析高维投资组合中子资产的相关结构,并应用于组合风险管理,通过VaR的估算精确度来判断适合我国股票市场的因子copula模型,是对运营高维投资组合的一次有益尝试。（2）本文在模型构建的过程中,将AR-EGARCH模型与偏t-因子Copula模型相结合,并假设因子服从动态GAS模型。当下在国内对时变copula的研究大多涉及变结构藤copula模型,体现的是copula模型本身的结构变化;而GAS-因子Copula模型通过自回归得分的形式,使得因子载荷可以随时间动态变化,从而体现研究对象间相关关系的时变性,增加了对动态copula的实证研究经验。（3）在对高维组合相关结构的研究中,以行业分组的办法引入更多的copula模型参数来控制资产间的尾部相关运动,可以使模型对股票收益相依结构的描述更全面,减轻了单因子copula模型参数较少、对复杂相依关系描绘不足的问题。分组copula模型更好的表现也有利于投资方和监管方更好地理解不同类别资产所呈现的不同相关结构,从而对实践产生有益的指导。本文的不足主要体现在以下两点:（1）本文利用GAS模型,生成了观测值驱动的动态因子载荷,从而搭建起了时变的因子copula模型。但在模型运用过程中,并未考虑模型本身的形式是否应该存在阶段性的变化。（2）本文设定的模型是动态单因子copula模型,即潜变量数量为1,在资产维度继续提高之后,单一因子可能不足以解释多资产间的相关关系。