资管行业的繁荣发展要求风险管理技术跟得上时代的需求，然而目前国内对这方面的研究多局限在二维变量上。而且，最重要的几个市场(股市、债市、基金、贵金属、大宗商品和货币)投资组合风险则鲜有人研究。另外，利用尾部相关性考虑不同的资产权重来重新构建投资组合，再比较VaR大小，进而给出合理投资建议则尚没有文献研究过。如何更为科学、合理、准确地度量所选重要金融市场资产构建的高维投资组合的VaR与CVaR，则是关注的焦点问题。本文主要研究分析了Vine Copula在投资组合风险度量方面的应用，首先对各金融资产收益率变量建立GARCH模型;然后利用不同的高维Copula(多元正态、C-Rine、D-Rine和R-Rine)构建各金融资产收益率变量的联合分布;最后结合Monte Carlo模拟技术来预测投资组合动态风险VaR(以及CVaR)并做返回检验。具体来说就是本文利用三步法来估计高维投资组合的动态VaR与CVaR，第一步是采用GJR-GARCH-Skewed-t模型对投资组合单个资产边际分布建模，以此刻画金融资产的“尖峰”、“厚尾”、“非正态”、“非对称”、“波动聚集”和“杠杆效应”等现象;第二步采用Vine Copula对投资组合收益的非线性相关结构进行建模，以此刻画投资组合各资产间复杂的非线性相关结构;第三步采用Monte Carlo方法并利用滚动时间窗和向前一步技术，模拟计算投资组合的风险测度VaR与CVaR。而且，将本文提出的三步法同步应用于沪深300、债券、基金、黄金、大宗商品和利率六类金融资产的投资组合。研究结果表明，无论在不同的置信水平，还是不同的投资组合权重条件下，从VaR和CVaR预测角度都说明了基于R-Vine Copula的三步估计法都优于Gaussian Copula、C-Vine、D-Vine Copula等模型计算出的VaR与CVaR。经过权重变换和样本区间变化，研究结论都没有改变，并说明了基于R-Vine Copula GJR-GARCH-Skewed-t模型计算VaR和CVaR具有一定的稳健性。最后，本文还研究了尾部相关性与投资组合风险之间的关系，发现尾部相关性高的资产在投资组合中同时比重较大，则投资组合有较高风险;尾部相关性高的资产在投资组合中比例一高一低则会减少投资组合风险;进而提出分散化投资的建议和原则。