针对金融时间序列尖峰、厚尾和波动集群的特性,为了准确度量金融随机序列风险,本文采用ARMA模型和GARCH模型相结合的方法对单个基金收益率序列进行建模,分别基于ML和基于贝叶斯理论的MCMC方法对模型参数进行估计,并比较各模型对应的AIC值,最终发现残差基于偏斜t分布的MA(1)—GARCH(1,1)模型是相对最优的;进一步结合时变Copula模型,对基金投资组合的在险值VaR进行度量,并通过Kupiec检验估计模型的可行性.本文首先对所选取的四支开放式基金收益率序列进行分析,发现各序列均具有波动集群性,并且具有较高的峰度值,适合用GARCH模型进行建模.为了尽量避免模型假设不合理导致的失误,分别对四种均值方程和五种方差方程进行建模,采用ML和MCMC方法分别对模型中参数进行估计,并估计每支基金收益率序列的VaR值,比较并得出MCMC优于ML方法的结论;其次,为了刻画各收益率序列相互之间的相依结构,利用时变Copula模型对序列之间两两相关关系进行建模,比较并最终发现时变Sjc-Copula相对最优;接着,以各基金收益率序列的历史胜出次数为先验信息,采用M-H算法对基金投资组合比例进行后验模拟;最后结合基金投资组合比例后验模拟结果和时变Copula对投资组合的VaR进行估计,并通过常用的检验VaR是否有效的Kupiec方法对估计结果进行了检验,实证研究表明基于贝叶斯理论的时变Copula模型在度量开放式基金投资组合VaR方面确实取得了很有效的结果.本文的创新主要体现在所建立的模型充分考虑了单个基金收益序列的尖峰厚尾和波动集群性,并且有效度量了各基金序列之间的时变相依关系和基金投资组合的VaR值.