全球多次发生的金融危机使得人们清楚的认识到金融风险管理在国家经济系统甚至是国家安全方面具有举足轻重的地位。无论是个人还是国家,在参与金融管理或者投资活动中都会面临金融风险,如何准确地度量风险,一直是研究的热点问题。由于金融数据的复杂性,在对投资组合中资产的相关性进行建模时,学者大多都选用Copula函数,使得经典的Copula函数或者它们的衍生类型在金融投资组合得到广泛应用,但对于维数高于20的投资组合,很难做到对它们之间的相依性进行准确建模。针对此问题,本文选用因子Copula模型,以求能够刻画高维资产间复杂的相依关系。通过数值模拟发现,因子Copula能同时刻画变量间的上尾相依性和下尾相依性,且还兼具反映非对称的相依关系。在因子Copula的基础上,本文使用广义自回归得分(GAS)模型将时变性引入到因子载荷上,再设立等相依、分块等相依、异构相依三种不同类型的相依结构,用来刻画资产间的联合分布。针对异构相依中参数较多的情况,本文使用两阶段估计,即首先使用广义矩估计(GMM)估计部分参数再引入到极大似然估计中,数值模拟表明,本文所选用的估计方法的估计效果较好。本文选取中证100所包含的8个行业的34支股票所构成的投资组合进行实证分析。使用AR(1)-GJR-GARCH(1,1)-t模型模拟各支股票收益的边际分布,结果表明,各支股票具有显著的尖峰厚尾性和杠杆效应。再通过将边际波动模型拟合后的标准化残差序列带入到时变因子Copula模型中,可以得到:等相依结构下的时变因子Copula模型结果表明,伴随着金融市场的变动,本文所选择的资产间的相依结构也在变化,在股市震荡比较频繁的时期,资产间的相依性变化幅度比较大。分块等相依结构下的时变因子Copula模型结果表明,金融业受到经济环境的影响较大,同时与其它行业之间的联系较为紧密,电子设备业作为新兴行业,在整个经济系统中的影响力较为均衡,同时不太受到其它行业的影响,表现出很好的抗风险能力和投资价值。通过模型的似然函数值、AIC、BIC进行模型对比发现,异构相依情况下的时变因子Copula能更好地对资产间的联合分布进行建模。本文使用该模型对投资组合收益在观测期内的VaR值和ES值进行预测,预测和检验结果均表明异构相依的时变因子Copula能对资产组合未来一段时间的风险进行比较稳健的预测。