在过去的一段时间内,金融市场的相关关系被大量研究。由于Copula模型不仅考虑了金融时间序列间的相关程度,也将相关结构考虑其中,已经成为研究金融风险领域的重要工具。在实际应用中,想用一个单一的Copula函数全面刻画金融市场中的相关关系是很难的,所以需要构建一个更为灵活的Copula函数,以便可以更好的描述复杂的金融市场之间的相关关系。通过考虑不同Copula函数的特性,选取不同特征的Copula函数以不同的权重组合在一起,形成一个新的Copula函数——即混合Copula函数(M-Copula)。相对于某一特定的Copula函数来说,构建混合Copula函数的优势是混合Copula可以包含不同类型的Copula函数,即为混合Copula函数通过相关参数来度量变量之间的相关程度,而线性组合系数可以捕获相依结构之间的不同模式。而且,从经验来看,混合Copula函数可以通过自由选择不同的Copula函数来建立相关结构,与单一的Copula函数相比,能更好的描述真实相关结构。由于金融市场中的资产回报分布有明显的尖峰厚尾特性,所以假设正态分布会低估尾部的极端风险。极值理论可以针对数据的尾部建立模型,这种方法不需要假设金融资产收益的分布,而是运用数据直接拟合尾部的分布,通过这种方法可以很好地捕捉极端事件发生的概率,极值理论在度量高置信度风险方面能够显示出独特的优势。我们选取2002年1月4日至2012年12月31日上证工业指数、商业指数和公用指数三个行业指数序列的2666组数据进行实证分析。对于每一个指数序列分别拟合GARCH类模型来描述边缘分布,运用极值理论对数据尾部进行改进,选取阿基米德Copula函数中的Gumbel Copula、Clayton Copula和Frank Copula来构造M-Copula模型。从中可以看到：(1)利用极值理论中的POT模型改进了边缘分布,使得风险评估更加贴近真实。(2)结合混合Copula模型以及蒙特卡洛模拟来计算VAR是有效的,而某一个单一的Copula函数会低估了真实存在的风险值。这说明混合Copula函数能够更加真实的反应潜在的相关结构。