金融风险一旦发生,具有影响深远、持续时间长的特点。所以,金融市场的风险测度被广泛关注。一方面,随着经济全球化及金融一体化的进程,地区与地区之间、市场与市场之间的相互依存度越来越强。另一方面,基于分散风险的目的,投资者通常把资产投资于两个或两个以上的项目。相对单一资产的风险测度,针对两个或两个以上资产的投资组合风险测度研究更具现实意义。传统的投资组合风险测度使用在险价值(Value-at-risk,VaR)测度方法,首先基于低频数据建立GARCH类波动率建模,然后使用Copula函数去捕捉资产间的相依性,最后做投资组合的VaR测度。但是,股市日内交易频繁,低频数据会损失大量的日内重要信息。高频数据的建模方法例如已实现GARCH(Realized GARCH)类模型和HAR族模型能够捕捉更多日内信息,已经在波动率研究方面得到广泛运用。但是,高频数据建模方法在投资组合中的应用还有待研究。本文以上证综指和恒生指数为研究对象,采用高频数据分别构建Realized GARCH和HAR-RV边缘分布模型,并将Realized GARCH、HAR-RV与Copula结合进行投资组合的VaR测度。本文对比了两种高频数据建模方法,并与低频数据VaR测度方法进行对比。实证结果证明,Realized GARCH模型具有更好的投资组合风险预测效果。本文的具体工作如下:首先,对上证综指和恒生指数进行波动性建模。高频数据使用的是两股指的5分钟收盘价,从而可以得到两股指基于高频数据的收益率和已实现波动率(Realized Volatility,RV),低频数据使用的是两股指的日收盘价,从而可以得到它们基于低频数据的收益率。观察两股指的收益率和已实现波动率可以发现在2015年末至2016年中旬这段时间,上证综指的波动异常明显,极好地反应出了当年的股灾情况。使用高频数据分别建立Realized GARCH和HAR-RV的边缘分布模型,使用低频数据构建GARCH模型作为对照组,得到独立同分布的新息序列,并对时间序列数据进行描述性统计分析。然后,选择几种常用的Copula函数用于捕捉两个市场的相依关系。研究结果表明SJC Copula函数是所选5种函数中拟合效果最好的,表明在本文研究的时间段里,上证综指和恒生指数具有不对称的尾部相依结构,接着使用时变SJC Copula模型去捕捉两股指相依关系的动态变化。最后,做投资组合的动态VaR风险测度,比较它们的预测效果。对上证综指和恒生指数做等权重的投资组合VaR测度,并采用滚动窗口的蒙特卡洛模拟法,可以得到两股指在1%、5%和10%显著性水平下的动态风险价值VaR。对VaR结果进行回溯检验,发现SJC Copula-Realized GARCH模型普遍要比SJC Copula-GARCH模型和SJC Copula-HAR模型的预测效果好,而SJC Copula-GARCH模型无论在何种显著性水平上,其预测效果都是最差的。金融市场越来越复杂,其不确定性逐渐增加。本文分别采用低频数据和高频数据对上证综指和恒生指数进行波动率研究和风险测算有重要意义:(1)在学术研究方面,本文通过对GARCH、Realized GARCH和HAR模型的实证及对比研究,进一步丰富和扩展了前人关于投资组合风险测度的研究,得出了适用于投资组合在险价值VaR的最优模型。(2)投资指导方面,本文以中国市场的上证综指和恒生指数为例,对其投资组合的风险做了预测。本文所用方法理论上也适用于其他市场,可以为投资者把控金融市场风险提供足够依据。(3)监管指导方面,本文工作可以为监管者提供市场风险指导,为其提前制定合适的监管措施提供依据,这对资本市场的良好发展具有重要作用。针对本文目前的研究,还可以从以下三个方面对其进行完善或扩展研究:第一,已实现测度选择方面,本文只采用RV的形式。此外,还有别的己实现测度的方法可以供选取,如赋权已实现波动(WRV)、己实现核波动(RK)等第二,高频数据的波动性建模方面,本文采用是基于正态分布的Realized GARCH和异质自回归HAR-RV模型。还可以对这两类模型进行扩展研究。比如波动率建模时,可以尝试基于各种分布的Realized GARCH模型和HAR族的扩展形式,包括HAR-RV-J、HAR-RV-CJ等。第三,相依性刻画方面,本文的研究对象是上证综指和恒生指数,因此使用的是二元Copula函数来捕捉资产间的相依关系。当对三个及以上的投资组合进行风险度量时,可以考虑使用藤Copula函数来刻画相依关系。