国际金融市场联系日益紧密，金融波动越发剧烈，局部类、区域类、国际类的金融危机出现的频率越来越高，时间间隔也越来越短。各国金融监管机构、市场参与者对金融资产价值变动尤为敏感，提出和构建更有效和实用的金融风险管理方法和技术显得更为迫切。然而，以往金融风险管理方法中的理论假设或应用假设却与实际存在较大偏差，比如经典的金融资产收益序列正态分布假定就与事实中的尖峰、肥尾特征严重不符，因此如何描述和刻画实际的金融资产尾部特征，探寻更合适的样本分布形式，构建更加精确的金融风险度量模型，对改进金融风险度量方法至关重要。风险管理的思路和方法有很多，比如风险分散、风险对冲、风险转移、风险规避、风险补偿等，但是面对当前信息高效和即将进入的金融大数据时代背景，带有被动性甚至具有某些主观特性的类似于风险规避等定性类的风险管理方法根本不适合金融机构的业务现状，更不能及时有效地服务于实体经济。因此，风险管理的核心应该转化为可以量化的风险价值预估。而VaR作为一种理解简单便于计算的风险管理技术，是当前金融风险管理领域的国际通用标准，尤其是巴塞尔协议（BaselAccord）更是将该方法作为银行业经营管理中重要的一个监管考核指标。与此同时，相关金融风险管理的文献研究及对策建议中，都在不断提示改进VaR计量或者变换VaR应用思路，因此，构建准确的VaR量化模型也成为本文研究的一个主要目的所在。而VaR估值的关键在于正确判断样本数据的波动形态，由此本文研究考虑以随机波动SV模型和极值EVT理论的组合应用为主线，通过引入不同波动条件分布、波动结构转换等影响因素，试图组合并构建新的较为准确的金融极值风险度量模型。文章的特色在于不同波动风险度量模型的组合应用，主要研究内容和创新性体现如下：首先是基本模型理论介绍及组合建模思路分析。在分别详细介绍随机波动SV理论和极值EVT理论的基础上，结合VaR的变换应用，组合并构建基于SV-EVT的动态VaR计量模型。该部分首先强调的是如何选用合适的SV模型对样本数据的波动性进行分析和刻画，其次是对样本均值的波动残差进行标准化处理，然后探讨应用极值理论对样本尾部分布拟合并预估极值分位数，较为系统和全面的阐述了SV-EVT的组合模型构建及其在测度VaR时的应用思路。其次是组合模型的实证检验及其在实践中的应用分析。针对已构建的SV-EVT模型，引入不同样本分布函数或波动状态变化因素到该组合模型中，通过样本序列数据对其进行实证检验和分析。其中，对于样本变量的分布问题，借助广义双曲学生偏t分布（GHSKt）能够反映样本波动非对称厚尾的特性，首次提出用该分布与带有杠杆效应的SV模型进行组合，由此构建SV-GHSKt模型。进而应用该模型对初始样本拟合处理并得到标准化残差序列，再与极值理论方法联立，形成SV-GHSKt-EVT的组合风险测度模型。实证分析验证了SV-GHSKt-EVT模型比其他异方差模型、简单SV模型更具优势，为带有尖峰厚尾、随机波动、杠杆效应特征的金融资产的风险测度提供了更实用的方法。而对于样本变量的波动状态转移问题，考虑到以往研究中的波动模型在拟合样本数据时都是暗含波动变换是呈单一连续状态的，因此考虑将能够反映变结构特征的马尔科夫结构转换模型引入到SV模型中，同时结合厚尾t分布提出构建MSSV-t模型，再结合极值理论对经MSSV-t模型筛选过的残差进行极值分析，得出建立在MSSV-t-EVT基础上的VaR测度模型。实证分析也表明，MSSV-t-EVT模型能够有效识别样本数据的波动转换特征，并且能合理的测度风险变化，尤其在高置信水平下表现更好。最后是多元极值及组合模型的拓展应用分析。由于前文介绍的SV-EVT模型仅是考虑一维样本变量的风险状况，而对衡量多维市场或者金融资产组合的整体风险时似乎并不适用。因此本文考虑从简单的二元市场结构的风险相关性分析入手，引入连接函数Copula理论到SV-EVT模型中，运用该组合模型刻画二元资产变量波动的厚尾性、非对称性和尾部相关性，同时为了凸显组合变量之间风险相关的时变性，又将Copula函数进行时变变形，进而建立了时变Copula-SV-EVT模型。实证分析表明，与静态的风险相关性测度方法对比，基于时变特征的Copula-SV-EVT更能反映不同金融资产之间的尾部风险相依关系。虽然该时变模型并不能有效解决多变量资产组合的整体风险测度问题，但却为后续研究奠定了有益基础。本文关于金融波动和极值风险的研究贯穿了SV模型、EVT理论的联合应用，追求对样本变量的随机特性和变化特征刻画，符合VaR计量的条件和实践要求；同时也规范并拓展了极值理论在金融风险管理中的应用，为市场参与者，尤其是监管机构、投资机构等市场主体提供了防范和抵御极端金融风险的理论方法。