近几年,利用图形藤的逻辑结构,将多资产组合的联合分布分解成一系列的Pair Copula模块,再利用Copula理论来研究资产组合间的相依结构与风险测度.这种PairCopula-GARCH类模型流行的原因在于：在模拟高维资产组合的相依结构时,其构造模块的灵活性与处理高维问题思想的简单性.然而,在实际应用与操作中,它暴露出以下缺点：首先,Pair Copula的数目是维数的二次方,随着维数的增加迅速变大,为选择Pair Copula类型带来很大不便；其次,模型中待估参数的数目也会随着维数的增加迅速增大,极大的增加了计算的工作量；最后,在实际应用中,当求出各资产的联合分布函数后,在计算风险度量指标VaR与CVaR时,增加了Monte Carlo模拟的工作量,致使实际应用性较差.为了增强实际应用性,减少工作量与计算的复杂性,在有限的时间内得到比较满意的结果,大部分文献只介绍了基于特殊正则藤C-vine的简化方法,本文在此基础上研究了基于更一般正则藤的高维简化Pair Copula-GARCH类模型.此模型的主要构造方法是：首先利用变量间的相依测度,结合图论中的最大生成树算法构建一个恰当的易于简化的R-vine结构；其次,尝试通过AIC/BIC或Vuong检验对R-vine进行简化,确定出有效简化水平k；最后,对k之前的树选择不同的Pair Copula类函数描述每对资产相依结构,对k和k之后的树选择二变量Gaussian Copula函数进行简化,从而方便的构建出高维联合资产的分布函数.本文结尾部分通过16维的资产数据进行实证分析,结果表明简化的高维Pair Copula-GARCH类模型在实际应用中的简易性与有效性.