在大部分的时间序列数据中都存在着重尾这一现象,然而我们仅仅只是通过正态分布来对数据描述是不足的,因为尾部数据发生的概率要比正态假设的高,如果低估就会对数据回归模拟精确度造成影响,最终导致决策者的决策失误,造成很大的影响。并且在很多基于模型的时间序列回归中,主要是运用最小二乘法来对参数进行估计,然而这种方法通常极易受到那些极端值得影响,这是与该方法的假设条件有关,在很多时候,这些假设是不容易满足的。所以得到的回归模型精确性会降低。然而在投资组合中,采用了CVaR模型来对损失进行估计并得到认可,因为该模型以尾部的一个条件损失为目标因素,所以本文将运用这种思想来对参数进行估计。本文的研究点主要为对时间序列建立回归模型,以达到对未来时刻的预测。基于“泰勒公式”原理,任何一个足够平滑的复杂函数,我们都可以将它表示成一个多项式的形式,所以本文首先只是以一个多元隐函数为例,构造出它的损失函数,然后基于该损失函数的分布为连续性与离散型分别构造其CVaR模型,并将其等价成求解一个目标规划的形式。最终以我国对外贸易总额数据为例,分别建立线性时间序列模型与非线性时间序列模型,并运用CVaR模型法与最小二乘估计法分别对两个模型进行参数估计,最后以残差值作为回归精确性检验标准,最后得到如下结论:1.基于CVaR方法确定的回归模型精确性要高于最小二乘回归方法的到的模型,尤其在尾部数据更加的显著;2.相比线性自回归模型,非线性模型更能把握该时间序列的全局特征。3.通过回归的模型对我国对外贸易进出口总额进行预测,这就可以比较正确的评估目前的发展情况,就可以制定出相应的贸易政策。