1982年Engle开创性的提出了面向条件二阶矩建模的波动模型，随后在时间序列波动模型的发展中，ARCH类模型和SV类模型在理论和应用上均取得了长足的发展。这类模型能很好的描述金融时间序列高峰、厚尾和波动集群性等现象，但参数估计问题限制了多元的．ARCH类模型和多元的SV类模型的发展。 Copula理论的出现给上述问题的解决提供了一条出路。在多元波动时间序列的建模过程中，相关性分析一直是人们关注的一个焦点问题。虽然多元时间序列的联合分布函数蕴涵了变量之间的相关关系，但它是个多元函数，研究起来较为复杂，而且，联合分布函数也不能由边缘分布函数唯一确定。而Copula函数正是这样一种将联合分布与它们各自的边际分布连接在一起的函数，因此又称为连接函数。 本文正是着眼于Copula理论在相关性分析上的优秀表现力，以一元波动时间序列为分量序列，引入Copula函数，将传统的多元分布假设如多元正态分布假设，多元t分布假设等替换为更灵活的多元Copula分布假设，面向多元波动时间序列的联合分布建模，系统探讨了模型在相关程度及相关模式表达上的强劲优势及模型的参数估计及检验问题。提出了用加以不同权重的方法构造一种混合-Copula函数，将不同Copula函数在相关模式表达上的优势整合起来，形成一种灵活的Copula函数；并充分发挥Copula函数的优势，在构建多元波动时间序列模型时，将不同的边缘分布函数通过Copula函数连接起来，形成一个有效地多元联合分布。 这样的多元波动时间序列Copula模型不仅灵活、稳健地表达了序列的相关性，而且也体现了序列间复杂的相关模式，增强了模型对数据的表达能力——所包涵的信息量多而所需估计的参数少，弥补了多元统计假设的不足与缺陷。