近年来，随着金融市场的迅猛发展和各种金融创新及衍生工具的发展和日趋复杂化，金融风险管理正受到越来越高的重视，在这种背景下，时变风险度量方法应运而生，而最有代表性的无疑是VaR方法；针对GARCH模型下的时变风险价值传统计算方法中需对标准化扰动进行分布假设，且在假设下得到时变风险价值误差较大这一缺陷，受概率论与统计学竞相发展以及交叠应用的趋势促进，基于非参数密度估计样本分析建模的应用研究受到越来越多研究者的关注。非参数密度估计方法不需要对样本分布的参数形式做事先假设，仅从采样数据本身就可对概率密度函数做出较为精确估计，为未知分布样本的分析和建模提供了一条新的解决思路。　　本文应用非参数核密度估计方法对GARCH模型中标准化扰动的分布进行估计，在得到标准化扰动的核密度估计分布条件下计算时变风险价值。并结合EGARCH模型和Copula理论构建了Copula-EGARCH-核密度估计模型，并用它来反映金融市场中各资产之间的条件相关性情况。其中主要工作如下：　　第一，应用核密度估计方法对GARCH模型下标准化扰动的分布进行估计，得到基于核密度估计及GARCH模型的时变VaR估计方法。实证分析表明在估计时变风险价值方面利用本文方法比传统方法有更好的表现，提高了风险价值估计的精度。　　第二，应用核密度估计方法对Copula参数估计方法（IFM）进行改进，对边缘分布进行核密度估计，从而避免了对标准化扰动进行分布假设，如正态分布、T分布、广义误差分布等，实证分析表明应用本文改进方法可提升Copula参数估计的准确度。　　第三，首先对Copula-EGARCH模型引入核密度估计技术进行改进，改进后的模型称作Copula-EGARCH-核密度估计模型。由于金融风险的时变特征，需要研究资产之间的条件相关性，基于此模型探讨了金融时间序列间的条件相关性，并以沪深两市的股市指数进行条件相关性分析，结果表明此模型可以作为中国的股票市场条件相关性分析的有效工具。