随着金融市场几年来的迅猛发展,依存结构在股市变得更加复杂。金融时间序列具有尖峰厚尾等等特点。但是对于经典的回归分析方法来说,只能揭露这类数据内在特点的冰山一角,甚至会得出“文不对数”的结果,歪曲原有数据的特点。因此线性相关系数和类似的因果分析等方法用于资产间的联动性显然并不适用。针对金融变量的尖峰厚尾性,波动的聚集性,不对称性,历史记忆性特点,Copula理论相对于线性相关分析方法,更加适合探究其相依性问题。论文引入了Copula相关理论的随机波动率模型(SV),解决了异方差金融数据波动问题。以及求解随机波动模型的几种比较被认可的方法和具体算法。选择具有市场说服力的上证指数、深证成指两大金融数据,对选取数据做标准化处理,多方面描述其数据特征。运用随机波动SV模型模拟金融数据的边缘概率密度分布,并对所选取方法作比较分析,然后通过pair-copula联合成对的边缘分布,计算copula参数,度量金融资产间的相依性结构,分析其联动性。最后将分析所得的尾部相关系数添加进入线性回归分析中,进一步论证金融资产间更为复杂的非线性相依关系。本文对上海和深圳两大金融市场的不稳定性,波动程度和波动率系数进行了实证分析。Copula函数准确地描述了金融资产投入时金融回报之间在指定时期的动态联系。针对金融资产流动性风险的这种特点,广大股民在购买股票时应该考虑上海股票市场和深圳股票市场当时的股情,当对股市是熊市还是牛市有了大致的判断后,重新调整自己的资金投放比例。