极值统计是专门研究很少发生，然而一旦发生却有重大影响的随机变量极端变异性的建模及统计分析方法。目前极值统计的应用已经深入到许多领域，除了传统的水文、气象、地震与工程，近年来在保险、金融以及网络通讯中也得到了广泛的应用。关于极值统计在金融风险控制领域的研究是个热点问题，问题的关键在于如何选取极值数据并用合适的模型来量化风险，从而为金融风险的预测与管理提供决策上的依据。 详细阐述了极值统计理论的产生、发展及其在各领域的应用研究现状，并且分析了应用极值统计理论建立模型管理金融风险的可行性与必要性，此外还引入GPD代替传统的正态分布以精确描述金融收益的厚尾特征，并且介绍了VaR与CVaR这两种模型来度量金融资产或证券组合的风险。 对尾部的度量在金融风险管理中非常重要，然而对于金融数据底分布的厚尾性，在目前已知文献中都没有给出准确而统一的定义，真实的金融数据一般都呈现出厚尾现象，但是作为我们对数据的初步判断，我们还是很有必要对其是否厚尾进行诊断。鉴于此，在综合厚尾性不同概念及意义的基础上，给出了多种可以判断金融数据厚尾性的方法，并用这些方法对上海股市收益率的尾部特征进行了实证分析。结果表明，虽然这些方法的度量精度有较大差别，但无一例外都证明了上海股市收益率的厚尾性。 随着经济全球化和金融自由化的趋势越来越明显，各种各样的金融极端事件使得人们不得不把注意力从平日的金融市场波动转移到金融极端事件上来。对金融领域极端事件造成的危害的估计，就是目前极值统计模型最广泛应用的领域。中国股市十几年来取得了长足的发展，但仍然不成熟。针对这一情况，在分析了当今世界金融风险管理的现状后，用除串法并且以VaR和CVaR值为度量指标对中国沪深股市近11年来的投资风险VaR和CVaR分两阶段作了实证分析，得到如下结论：VaR和CVaR模型能有效地度量中国股市的投资风险，并且CVaR值比VaR值在度量风险时更趋保守，上海和深圳股市11年来的投资风险总体上随着时间的推移均在减小，且沪市的投资风险一直小于深市。