自Markowitz创立投资组合理论以来，风险度量方法和金融资产配置模型一直是金融投资领域的研究热点问题之一，投资专家和金融学者们先后提出各种不同的风险度量方法和相应的资产配置模型。风险度量的选择在投资组合晟优化问题中起着基础的和决定性的作用。本文首先从讨论传统的以方差度量风险的Markowitz最优投资组合模型开始，认为传统的建立在方差等风险度量指标上的最优投资组合模型在实践中并不令人满意。究其原因，在于方差风险度量指标与现实情况的差异。用方差等来衡量风险只刻画了预期收益相对于平均收益的离散程度，与均值的偏差越大风险也就越大。然而这与投资者实际的期望有所不符，因为如果投资收益超出平均收益越多，投资者应该更倾向于此，而不是因为由此引起的方差(风险)越大而厌恶它，从而不能使组合优化达到最佳。鉴于此，本文引入了90年代后得到广泛应用的新型的风险管理方法--VaR方法和建立在VaR基础上比VaR性质更优的CVaR方法来度量风险，进而以VaR和CVaR作为投资组合风险控制函数建立资产配置和最优投资组合模型。 本文对VaR和CVaR的计算方法，尤其是收益率时间序列分布不满足正态性假设下的计算方法作了深入分析。资本市场的波动性是风险的外在表现之一，也是估计VaR的基础。所以本文首先研究了GARCH模型在估计股市波动性以及估计VaR方面的应用，并以我国上证综合指数为实证研究对象分析了如何利用AGARCH模型来预测股市的波动性和VaR风险。对投资组合收益率分布不服从正态分布的情形，本文重点提出了建立在AGARCH模型和极值理论基础上的VaR/CVaR估计方法，即AGARCH-GPD-Copula混合模型，将ARMA-AGARCH模型、广义帕累托(Generalized Pareto Distribution)极值分布理论和Copula函数理论有机结合起来，研究投资组合的风险价值和条件风险价值度量问题。首先利用ARMA-AGARCH模型来刻画和描述各项金融资产收益率序列的自相关和异方差现象，估计模型参数，获得独立分布的标准残差序列，然后运用极值理论对分离出的标准残差序列进行极值分析，估计出各项资产收益率序列的复合半参数经验分布函数。在研究各项金融资产之间的相关性时，运用了Copula函数理论来描述金融资产之间的相关性，进而度量由各项金融资产组成的投资组合的VaR或CVaR风险。为了检验该方法的有效性，我们对由沪深300指数、香港恒生指数、美国标准普尔500指数、英国金融时报100指数和日本日经225指数五个股票指数组成的投资组合的VaR和CVaR进行实证分析，检验了不同持有期该模型估计VaR和CVaR的准确性。分析结果表明用该方法估计VaR和CVaR在实际运用中效果较好。在估计VaR方面准确率均达到了97％以上，尤其是在较长的持有期间如10/20天，准确率不仅达到相应置信水平的要求，而且要高于1天/5天的持有期；而该方法在计算CVaR方面效果更优，在各个持有期，准确率均达到了给定的置信水平，得到了更优的结果。基于VaR和CVaR计算方法的有效性，本文以VaR和CVaR代替传统Markowitz投资组合模型中的方差(标准差)为风险控制函数建立均值-VaR和均值-CVaR最优投资组合模型。对于模型的求解问题，本文引入了一种新兴的智能优化算法--遗传算法来求解两种风险控制下最优投资组合模型并进行了多个数值模拟实证分析，包括正态假设下的均值-VaR模型在行业资产配置中的应用，非正态假设下的均值-VaR模型和均值-CVaR模型在全球资产配置中的应用。实证分析表明本文设计的基于搜索空间限定和罚函数的遗传算法很好的解决了模型的求解问题。在每个实证分析中均比较了不同参数下最优投资组合的差异，进一步说明了证券市场的风险与收益对等的特征，而且VaR和CVaR相比其他风险指标更能反映投资者的风险偏好特征。最后我们总结了本文的研究工作，并对进一步的研究方向进行了展望。 本文的创新之处在于：(1)本文借鉴国外学者的研究成果，提出了AGRCH-GPD-Copula混合模型估计投资组合的VaR/CVaR，使之更符合金融市场资产收益率序列的尖峰、厚尾和非对称性等现实特征。并在不同持有期，对该方法计算VaR和CVaR．的有效性进行了相应的检验。(2)设计了基于解空间限定法和罚函数法的遗传算法求解VaR和CVaR风险控制下的最优投资组合模型。(3)研究了VaR和CVaR风险控制下全球资产配置问题。2007年10月，我国证监会批准了南方全球资产配置基金、上投摩根亚太优选股票基金等QDII产品，所以研究VaR/CVaR风险控制下的全球资产配置问题具有很强的现实性和前沿性。