随着银行风险监管水平和要求的不断发展，市场中信用风险的转移和交易，金融行业正需要发展出更好更科学的一套体系来管理金融风险，以防范未来可能发生的损失。其中，对信用资产组合的风险度量研究一直以来都是关注的重点，然而，对于资产组合的相关性结构以及组合风险计算的复杂性却鲜有研究。为此，本文针对资产组合的相关性结构和组合风险计算的复杂性这两方面做出实证研究，并有了一系列成果。在构建资产组合信用风险模型时，本文引入混合泊松模型来代替广泛使用的Copula模型。混合泊松模型一直停留在理论的范围内，本文在该模型的实践应用上作出了创新。对于信用违约事件，无法预测一个违约发生的具体时间，也无法预测违约的总数及其引起的损失。但是，尽管单个债务人违约的概率很低，在大量的债务人中总是存在一个违约敞口的，那么这种情形可以用泊松分布来很好的刻画。为了能将理论上的混合泊松模型应用于实践，我们引入了经典的结构模型来度量单个组合内资产的信用风险，并将结构模型和混合泊松方法在泊松变量的强度这个点上联结起来，用结构模型来得到混合泊松模型中的相关参数，从而能够构建一个描述大资产违约相关结构和违约分布的风险度量模型，这种方法上的结合也是一个应用创新。组合风险计算的复杂性方面，蒙特卡罗模拟是风险管理中常用的技术。虽然蒙特卡罗模拟结果比较全面客观，但是它在模拟小概率事件时会因为运算次数较多而导致模拟时间过长，出现低效现象。故本文为了克服极小概率事件发生概率估计的困难，把重要抽样技术发展到信用资产组合违约损失分布中，通过指数扭曲和测度变换在相应区域产生更多的样本，可以使这种新测度情形下的模拟不再是稀有事件Monte Carlo模拟。通过这种变换，可以减少Monte Carlo模拟的计算工作量，也提高估计组合损失概率的精确性。由于在本文实证中采用的数据里样本股票数相对较少，而且历史的宏观共同因子也不充足，因此我们通过一个数值模拟的例子来说明重要抽样算法的有效性。相比普通蒙特卡洛分布，重要抽样下模拟出来的违约损失分布曲线更为平滑，因此重要抽样技术对于信用风险管理领域里是非常有实用意义的，在提升效率的同时也能增加准确性。另外，我们还计算了重要抽样方法下的方差减少系数，其方差减小系数都远远大于1，而且随着违约概率的下降，方差减小系数上升的很明显，这表示重要抽样技术在处理稀有事件时的能力比普通蒙特卡洛模拟强的多。综上所述，本文以资产组合的视角来分析大资产的信用风险，通过混合泊松模型来构造资产组合之间的关联结构能很好的刻画组合的违约概率发生及传导情况，同时结合重要抽样技术可以从准确率和效率性上两方面提升对于组合的风险度量和管理。另外，本文不仅为极端稀有事件的研究提供了理论和实证上的依据，也为投资者进行经济资产配置和监管者进行风险度量与管理提供了方法。