当今金融市场间的相互影响和依赖逐渐加深。探寻这些市场之间的相关性和相关结构是很有意义的事。而应该选用哪种工具来刻画这种相关结构，是需要我们慎重考虑的问题。很多学者选择了连接函数Copula，它将随机变量间的联合分布函数和各自的边缘分布连接起来。选择Copula主要是基于它的两个优点：①它是一种新的有效度量相关性的工具，且具有良好的性质，比如对随机变量的严格递增变化保持不变；②它能被用来构建多元分布函数族，为寻求随机变量间的联合分布函数提供了一条简单易行之路。但是Copula种类繁多，对于给定的随机变量，比如股票市场，用什么方法来选择它们之间的最优Copula呢?传统的选择最优Copula的方法大都是基于拟合优度的，这些方法在实际应用中存在很多问题，很难令人完全满意。本文在总结前人经验的基础上引入了Bayes模型方法。Bayes方法与传统方法不同，它独立于参数，通过计算各种Copula类对应的概率来选择最优Copula类。并选择上证指数和标准普尔500指数做实证分析，结果表明：与其它Copula类相比，Clayton Copula类对数据具有更好的拟合效果，进而得到指数间的下尾相关系数。　　 本文在讨论了如何构建二维相依结构的基础上，引入了一种构建高维相依结构的方法，称为Pair Copula法，因为实际生活中我们更多的是要考虑多个随机变量之间的关系，比如上证指数，恒生指数和标准普尔500指数之间的关系，或者是货币市场，股票市场，房地产市场的相依关系等。Pair Copula法是将随机变量之间的n维联合密度函数转化成多个Pair Copula密度函数相乘，而PairCopula实质上是二元Copula，从而将高维相依结构分解成多个二维相依结构，而二元情形是我们所熟悉的，可以用文章中引入的Bayes模型方法选择最优二元Copula函数。文中选取了上海证券市场上的四个板块，用Pair Copula法探索它们间的相依关系，得到了很好的结果。