在金融市场高速成长、金融产品不断换代升级的今天,跨地区证券市场间的关系倍加密切,使得它们的相关性变得越发复杂,而跨国家和地区的投资行为日渐增多,证券市场的震荡也不断加剧。在这种背景之下,通常有一些特殊的情况引起人们的关注,比方说,某地区证券市场的价格震荡,经常快速蔓延到其他地区,有时甚至是全球性的,导致金融风险明显增大,据此,构建投资组合防范风险的需求更加迫切,怎么构建投资组合以及如何优化投资组合使其高效地为人类服务,以降低金融风险,从而建立更加高效的证券市场,受到理论界和实务界的密切关注。怎样使得所构造的组合是靠谱的,这是值得思考的问题,幸运的是,马科维茨的资产组合理论为我们的思考指明了一个方向。该思想强调的是收益一定时,风险要求最小,据此,高精度衡量风险对资产组合的构建具有重要的意义。但是利用马科维茨所提出Mean-Variance优化模型,将方差作为指标代替风险,很难描绘资产组合的实际风险,主要是因为:(1)将来的回报远离期望的回报的大小是用方差来代表的,然而这里忽视了风险的实际规模,因此,难以描绘组合面对的实际的风险;(2)方差并不具备方向性,对风险的衡量是模糊的,换句话说,它既可能产生超过均值所带来的收益,即上半方差,也可能产生低于均值所带来的损失,即下半方差,从投资者的角度出发,下半方差的确是实际情况所面对的风险,但是上半方差不一样,这部分将给投资人产生必要的回报。因此,用方差去替代风险是有缺陷的。于是本文利用风险价值(Value at Risk,Va R)、条件风险价值(Conditional Value at Risk,CVa R)去替代均值方差模型中的方差,将模型做一些调整,分别建立Mean-Va R,以及Mean-CVa R。有必要讲明的是,资产组合优化探究中,涉及两个核心问题,即资产集合一定收益下风险最小的目标函数的选择和资产集合中各资产的相关性,对于第二个核心问题,以往的研究主要利用定性、线性定量的方法对资产相关性进行研究,但金融时间序列往往受到自相关性等一些典型事实的影响,并且金融领域是一个繁琐的动力学体系,市场之间或资产之间常常展示出非线性相互依存的关系,故上述方法面对当下这种实际情况表现出乏力。于是本文运用能够描绘资产间非线性联系的Copula模型来捕获投资组合中资产间的相互依存结构,以精确权衡该集合所具有的风险大小,从而促成资产集合的改良优化。首先,求出了三国股市主要指数的对数收益率,应用ARMA-APARCH模型于各股市的对数收益率序列的边际分布实施建模,刻画了该收益率序列所包含的一些典型事实特点,比如“有偏”、自相关、异方差等。其次,运用最大生成树算法开展研究,将Copula方法中来源于每一层的Kendall-?的绝对值进行加总,选出和最大的来确定足以合理描绘三个市场间关联的多元Copula函数,剔除复杂相互依存结构对构建资产组合的作用。之后,在得到资产间相互依存的结构后,将所获得的有用参数和风险因素的条件方差和均值进行整理分析,然后,应用Monte Carlo模型模拟出所选资产的将来收益可能出现的m种情况,并结合三种赋权规则,分别构建资产组合优化模型。最后,比较三种加权下资产集合的风险回测结果。经过实证分析得出以下结论:(1)运用ARMA-APARCH方法能够高效捕获金融资产时间序列的“自相关”、“异方差”等特点;(2)由于在描绘多资产之间相互依存结构时,多元Copula模型具有灵活丰富的形式,这使得多元Copula方法可以提升对描述多个资产间的相互依存结构的精确度;(3)相较于CVa R赋权法、GMV赋权法(Global Minimum Variance),等权重赋权方式下模型的预测值离实际值更远,这表明,等权重下模型的预测能力要弱于GMV和CVa R赋权方式下模型的预测能力。以上的结论为更为精准的对资产组合实施优化提供了可靠的技术参照,也为金融风险管理当局增强金融风险的管理提供了理论支持,还可为投资者强化风险认识提供一定的帮助。