金融风险管理在现代社会中具有重要的意义，也是金融学研究的一个重要领域。随着全球经济一体化以及各国金融市场的开放程度不断加强，国际、国内金融市场波动增大、关联性增强，同时，金融资产的风险结构变得愈加复杂。2008年新一轮的金融危机席卷全球，金融风险的重要性也因此得到重新认识。而2015年中国股票市场经历的剧烈震荡再次警示金融风险的重要影响。无论是对金融市场的参与者还是监管者，充分认识金融市场存在的风险、理解金融资产价格波动的特征从而进行有效的风险管理都具有重要意义。　　有效进行金融风险管理从而防范和规避金融风险的重要前提，是合理地测度风险。合理测度风险不仅要求准确衡量风险水平、刻画风险特征，还要求对风险具有一定的预测能力。金融市场的风险与金融资产价格的变化紧密联系，而资产价格的变化通过价格波动的幅度、方向以及极端波动情况等特征得以体现。因此，在金融风险测度中，通过探索金融资产市场价格的变化特征来量化风险是研究的核心内容和重要方面。　　基于金融资产价格变化与风险的重要联系，波动率和风险价值(VaR)成为金融市场风险最重要的两种风险测度。在当前的金融风险测度研究中，研究的主流方式是利用统计或计量方法，针对资产的收益率序列进行建模。因此，对风险测度的研究转化为对资产价格变化特征的研究，资产价格的波动率和风险价值成为两种主要的风险测度形式。波动率代表了资产价格波动的幅度，代表波动绝对幅度的大小，在统计上表现为基于收益率均值的行为，对平均风险水平进行衡量。风险价值(VaR)是指在一定的置信水平下，某一金融资产在未来特定时间的最大可能的损失。它衡量了资产价格的极端波动情况，代表波动的尾部特征，在统计上表现为收益率的分位数行为，对极端风险进行衡量。目前的风险测度研究通常是这两种测度及其扩展形式，但是具体的计算方法不尽相同。在已有研究基础上，探索利用新的分析工具与方法来衡量金融市场风险，对于更全面、深入地认识新市场环境下所面临的风险十分必要。　　函数型数据分析(Functional Data Analysis)是一种较新的数据研究方法，在处理高维问题和数据适用灵活性方面具有显著的优势，金融数据的分析是其应用的重要领域。相较于传统方法，函数型数据分析方法具有以下优势:(1)通过将观测对象函数化，实现利用函数所具有的特征来刻画研究对象;(2)充分考虑不同观测个体之间的相关性，并且借助多个存在相关性信息实现更有效的分析;(3)函数型主成分分析的降维思想在尽可能提取重要信息的同时较好地解决了高维大型数据分析的“维数诅咒”问题。　　国内外研究者近年来对函数型数据的金融应用有所关注，国外文献方面已经有较为深入的研究。然而，函数型数据在金融领域的应用在国内还处于起步阶段，虽然近两年发展较快，但以直接将函数型方法应用到实证分析中的研究方式为主，对模型和方法进行拓展的相关研究较少。函数型数据分析在国内金融研究中的应用具有较大的发展潜力和较好的应用前景。　　概括而言，本文将函数型数据分析方法拓展至金融市场风险测度的研究中，为更好地把握金融市场波动的变化规律、研究金融资产风险的潜在结构和动态变化提供新的研究视角和分析工具。以股票市场为例，对中国金融市场的风险测度进行了系统详细地分析，为更好地认识和理解中国金融市场的风险提供了新的实证证据。研究结合了函数型数据分析方法、时间序列分析方法和统计算法中的重要思想，并将其应用到金融风险管理中风险测度的研究中。本文主要的创新点如下:　　第一，在研究视角上，从函数型数据分析方法出发对金融市场的风险测度进行了系统研究，包括对均值行为和尾部行为的研究。一方面，利用函数型数据的思想通过对曲线特征进行建模的角度衡量金融市场的风险，为研究金融风险测度提供了新的视角。另一方面，将函数型数据分析拓展至分位数即分布函数尾部特征的研究，而传统的函数型数据分析仅适用于均值行为的分析，拓展了函数型数据分析方法的应用领域。　　第二，在风险测度的模型建立上，利用个体资产之间的相关性，提高了数据的使用效率，增加了用于估计的信息量，尤其在分析极值问题中避免了由于尾部数据稀缺性而造成的估计偏误，提高了尾部信息估计的有效性。　　第三，在估计方法上，对分位数的估计引入最小极优化(Majorize-Minimize，MM)算法，区别于通常采用的期望最大化(Expectation-Maximization，EM)算法。通过变换，采用非对称最小二乘法计算分位数，保证估计效率的同时节约了计算时间。　　第四，在方法应用上，利用建立的两种风险测度模型全面系统地考察了中国股票市场2004年-2015年共12年的上证50指数数据，利用日间和日内数据分别分析。对不同市场条件下金融风险的特征进行了详细分析，对风险在不同市场背景下的具体特征进行了探索，利用估计得到的主成分函数和载荷因子，对风险的主要影响因素及内在结构进行了对比分析，为理解和把握中国股票市场的波动特征和变化提供了重要的实证证据。　　具体而言，本文尝试将函数型数据分析的方法引入到金融市场风险测度的研究中，以资产之间的相关性为切入点，分别从金融市场波动过程的均值行为和尾部行为两条线索研究金融市场的风险测度。本文以上证50指数为研究对象，对下列问题进行了研究:　　首先，基于函数型波动率过程建立刻画股票市场价格波动的计量模型，将函数型主成分分析与时间序列模型相结合应用于波动过程均值行为的研究。分别建立两种波动率模型:其一，利用不同股票之间的相关性分析中国股票市场的日间波动率;其二，利用股票在不同交易日之间的相关性分析日内波动率。其次，将分位数回归引入到函数型数据分析中，将函数型数据的主成分分析、分位数回归与时间序列模型相结合应用于波动过程尾部行为的研究。分别建立两种风险价值模型:其一，利用不同股票之间的相关性计算中国股票市场的日间风险价值（VaR）;其二，利用股票在不同交易日之间的相关性计算日内风险价值（IVaR）。再次，在两种模型的分析中，将波动过程的特征从横向和纵向两个维度进行分析，横向方面比较不同股票、不同分位数水平的波动率和风险价值特征，纵向方向考察不同风险测度的年际变化，反映不同风险测度的动态变化过程。同时，结合具体的宏观和金融背景，分析不同阶段股票市场波动风险的表现和内在风险结构的变化。最后，分别针对两种风险模型建立预测模型，并对模型的预测效果进行了检验评价。评价结果显示所建立的预测模型具有较好的预测效果。　　通过利用函数型数据分析方法对中国金融市场的风险测度进行分析，本文主要的结论和发现如下:　　(1)金融数据的高维特征是统计方法在金融应用中面临的一个难题，函数型数据分析方法在有效处理和应对“维数诅咒”难题上具有显著的优势。本文的研究结果显示，基于函数型数据分析的思想、利用合理的计算方法对多个股票的波动率同时进行分析是切实可行的。探索将函数型数据分析方法拓展至更多的金融应用领域，使其成为解决金融数据分析问题的一项有利工具，无论对于理论方法研究还是实践应用而言都具有重要的意义。　　(2)股票市场的波动包含了丰富的信息，尤其在进行金融风险管理时，需要对金融资产价格的波动特征有更全面的认识。相较于传统的日内波动率测度方法，函数型数据分析不仅能够反映波动的趋势和平均水平，还能够对影响波动的主要因素进行分析，为更准确把握风险提供了一种重要的测度和分析方法。所建立的模型有助于更好地理解和认识股票市场已经发生的波动，通过对已发生波动的分析来预测未来可能发生的波动，从而为防范和规避股票市场未来波动带来的不利损失提供了可行的分析工具。　　(3)风险价值是刻画金融资产极端波动风险的重要测度，但是在实际分析中往往由于尾部信息不足导致估计偏差。通过引入分位数和权重矩阵，同时借助资产之间的相关性及联动性，使用基于分位数回归的函数型数据方法可以提高对分布的尾部估计的有效性，提供了一种更准确估计金融资产风险价值的方法。　　(4)日内风险价值曲线提供了市场风险动态变化的重要信息。基于分位数的函数型数据分析方法计算的日内风险价值能够较好地刻画和捕捉市场的特征，尤其是金融资产收益的尾部特征。　　(5)实证分析结果显示，中国股票市场不仅风险变化的平均水平发生着变化，风险变化的主要变动因素也在逐渐改变。利用函数型数据分析方法进行考察，股票市场日内收益率波动存在午间效应和不对称效应。通过对比2008年和2015年中国股票市场经历的两次下跌过程，发现两次波动过程中代表市场变动主要因素的主成分函数形态有显著的差别，2015年股票市场中影响市场变动的因素更为复杂。