近年来,随着金融市场的快速发展以及经济全球化的不断深入,金融风险管理也开始面临越来越多的新问题和新挑战。一方面,金融资产之间的相关性变得越来越复杂,传统的线性相关以及误差对称的模型已难以准确反映其风险的相关信息;另一方面,金融风险管理的范围已不仅仅是针对单个金融资产或者资产组合的收益风险,而是拓展到了包括不同市场、不同种类金融风险的综合管理。因此,在这种背景下需要一种新的相关性描述方法来应对日趋复杂的风险管理问题。Copula是一种估计随机变量之间相依关系的连接函数。与传统的相关性分析方法相比,Copula函数能更全面地度量变量之间复杂的相关结构。本文以基于Copula的模型为基础,将不同类型的Copula函数与各种金融风险管理热点问题灵活地结合起来,取得了许多具有实际意义的研究成果。在与现有相关性分析方法进行系统对比和归纳的基础上,作者总结了Copula函数做为一种新型相关性测度的优势,并据此进行了以下研究工作:作者首先使用Copula-GARCH模型对一篮子货币的权重问题进行了研究。考虑到现有的篮子货币权重估计方法忽略了货币之间的关系,在实际运用时极易出现权重估计不显著、多重共线性严重等问题,作者基于Copula方法构建了风险最小化条件下的篮子货币权重计算模型。并依此来推测央行在汇率改革后实际实行的货币政策。为了提高模型拟合结果的精确性,文章还首次使用“部分极大似然估计”方法估计了Copula-GARCH模型的参数。实证分析的结果表明在美、日、欧、韩四国货币组成的篮子货币中美元的权重依然远大于其它货币,但人民币汇率的灵活性在逐渐增强,说明我国汇率改革已经显示出了一定成效。传统的市场风险分析模型主要是针对金融资产或投资组合的收益率波动性建模,来分析其带来损失的可能性。本文则从另一个角度出发,通过构建股票市场的连涨和连跌收益率相关性模型来研究股票上涨和下跌趋势之间的联系。文章根据样本数据的特征,首次将Log-ACD模型和Archimedean Copula相结合,取得了很好的拟合效果。在实证分析中,作者通过条件VaR分析了连涨和连跌收益率的条件风险,并据此构建了“涨跌风险对比图”来分析样本期股市上涨和下跌的趋势对比。通过对比股市指数走势图后发现模型得到的结果与实际情况是相吻合的。在对市场风险的研究中,本文还基于时变Copula方法提出了一种非线性时变的股票市场系统性风险度量方法。作者使用3种GARCH模型以及6种时变Copula模型分别拟合了4个行业和市场收益率的边缘分布以及联合分布。并从中选取了拟合效果最佳的模型计算了给定市场收益率条件下行业指数收益率的条件风险。最后通过构造ΔLCVaR和ΔUCVaR两个指标分别对市场处于不同态势下各个行业的下尾和上尾系统性风险进行了度量。实证研究显示该模型对条件风险的计算结果较为准确,并且能够很好地捕捉通过系统性风险的时变性。而且与传统的beta系数相比,非线性框架下的系统性风险度量方法不需要假定金融资产的正态性和对称性,能够较好地刻画行业和市场收益率之间的尾部非线性相关性,包含了较全面的风险信息。本章最后针对上市公司信用风险识别以及信用风险和市场风险之间相关性进行了研究,主要可以分为两个部分。其中第一部分针对信用风险影响因素集合高维度高相关性的特点,设计了一种基于非参数的变量选择算法。实证结果表明该方法可以有效去除噪声变量以及线性相关的变量,从而为信用风险的因素识别以及信用分析模型的构建提供了依据。在第二部分中作者基于第一部分的变量选择算法,使用核密度估计和Copula模型研究了上市公司信用风险和市值变化之间的相互关系。并使用大样本检验了结构化信用分析模型在中国市场的适用性。