条件风险价值(CVaR)风险测量方法是在VaR风险测量方法的缺陷基础上产生的,其含义是：组合损失超过VaR的条件均值,反映超额损失的平均水平.它具有VaR模型的优点,同时在理论上又具有良好的性质,如具有次可加性、凸性,且更能体现投资组合的潜在风险。本文主要研究CVaR风险测量方法在投资组合理论中的运用,在研究过程中运用比较分析和实证研究方法，在实证研究中用到遗传算法以及matlab软件。主要内容归纳如下： ㈠对CVaR风险测量方法进行深入的研究,对其概念、参数选择、计算、性质等方面都作了较详细的探讨,并对VaR和CVaR进行比较,得出的结论是CVaR风险测量方法比VaR风险测量方法拥有更多的优点。 ㈡由均值-方差模型和均值-VaR模型引出了均值-CVaR模型,分析了正态条件下均值-CVaR模型的有效边界和有效前沿的定义以及性质,并分析了置信水乎对有效边界的影响。 ㈢利用我国股市的实际数据进行分析,首先用遗传算法求解CVaR模型,得到最小化CVaR,时的最优投资组合；其次,根据我国股市的实际数据和第三章理论分析所得公式求出了在正态条件下均值-方差模型的有效前沿和均值-CVaR模型的有效前沿；最后根据股票的历史数据用遗传算法对均值-CVaR模型进行了求解,并分析了置信水平对均值-CVaR有效前沿的影响。