在传统方法中，人们通过给定随机变量的初始分布和满足查普曼-科尔莫戈罗夫等式(Chapman-Kolmogorov Equation)的转移概率来研究Markov过程。本论文将Copula函数和Markov过程有机结合起来，引入作用于Copula函数的星乘运算*以及广义星乘运算★，通过给定一系列满足特定条件的Copula函数以及随机过程的边际分布等价地给出了Markov过程的Copula描述。在此分析的基础上，我们建立了一类基于Copula函数的平稳Markov半参数模型并将其应用于金融市场风险管理中的核心内容—条件分位数的计算。得益于Copula函数在随机过程建模中的灵活性与有效性，本论文突破了以往对边际分布正态性假设的束缚，提出了一种基于Copula函数的半参数平稳时间序列建模的有效方法。论文中，利用非参数核密度估计方法估计边际分布，以参数形式设定Copula函数，然后利用正则极大似然估计(IFM)方法对Copula函数的相关性参数α进行估计。利用赤池信息准则(AIC)以及最优Copula函数与经验Copula函数的最小误差准则，从多个单参数备择Copula函数中选择最优的一个，进而利用对应的α估计值估计条件分位数函数。最后通过自助法(BootStrap Method)模拟Copula函数相关性参数α的渐进分布，直观地讨论估计量α的大样本性质。　　 在金融市场中，投资者关注的最直接的指标显然是所投资金融工具的收益率及其风险，无论制定何种投资策略—稳健型，成长型或是保守型—投资者的最终目的都是要在尽量低的风险水平下获得尽量高的收益率。因此，对不同金融工具收益率之间相关性的研究在金融研究领域占有举足轻重的地位，而且在这一研究领域亦不乏大量优秀的论文及研究成果。本论文创造性地将多元时间序列问题通过简单的处理转化为单虚变量时间序列问题，进而应用前面所述基于Copula函数的Markov半参数模型对其展开讨论。在实证分析部分，本论文将该模型应用于上证综合指数以及香港恒生指数对数收益率时间序列之间相关性结构的研究。