随着我国金融市场的繁荣发展,人们对于财富管理的需求逐渐呈现出一种多元化的趋势,投资类产品数量急剧增加,部分金融产品的收益序列有着具有明显尖峰厚尾的性质,这加大了投资理财的风险。选择合理的资产来分散投资风险,并获得理想收益是组合投资的重要理念。CVaR作为衡量组合投资的重要风险测度,如何在CVaR组合模型中选择稳健的资产组合以降低管理时间和经济成本显得十分重要。在现有研究中,我们发现可选的资产成千上万,它们之间往往存在着相关关系,这种关联性无疑给投资者带来了决策上的障碍。因此,本文以高维资产选择问题为背景,在考虑资产关联性的情况下,构建带有网络结构自适应Lasso-CVaR模型,以期进行资产选择并分散尾部风险,解决投资组合中极端投资头寸的问题。由于自适应Lasso模型所具有的良好性质,因此采用该方法实现对资产的选择,并同步估计出资产的投资权重。该方法能够连续地选择变量,具有较好的稳健性。为了考虑资产之间的相关性,基于复杂网络构理论建了资产的网络结构,并进一步采用Laplacian惩罚对其相关性进行了约束。计算方面将自适应Lasso-CVaR模型转化为惩罚分位数回归,并利用非线性规划方法对模型进行求解。进一步从理论上证明了参数估计满足Oracle性质,考虑了n(27)p与n(29)p两种模拟情形,并相应设置不同的?系数。模拟分析显示在不同分位点、不同相关性以及不同误差项分布下,带网络结构的自适应Lasso-CVaR模型比不带网络结构的模型具有更好的变量选择效果与预测效果,且随着变量之间相关性的逐渐增强,网络结构所带来的优势愈发明显,这说明网络结构确实改善了模型的功能。最后,选取沪深300指数中的249只股票,考虑n(27)p与n(29)p两种情况进行实证分析,在不同的窗宽条件下通过滚动建模的方式,得出带有网络结构的模型可以很好地分散尾部风险,避免极端权重的产生,具有良好的稳健性与应用价值。综合来看,本文提出的带有网络结构的自适应Lasso-CVaR模型理论性质良好,并具有很强的应用意义。