금융의 Copula와 Tail Dependence

각 자산의 주변분포는 자체 결과를 설명하고 종속구조는 그 확률순위가 함께 나타나는 방식을 정합니다

개별 손실분포와 선형상관이 같은 두 포트폴리오도 공동폭락확률은 크게 다를 수 있습니다

Copula는 이 분리를 명시하지만 어느 한 층의 오류를 숨기지 않도록 주변분포와 Copula를 충분히 함께 추정해야 합니다

주변분포가 F_1,…,F_d인 결합분포 F는 Sklar 정리에 따라 F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d))로 표현됩니다

주변분포가 연속이면 Copula C는 유일하며 변수의 엄격한 증가변환에도 바뀌지 않습니다

이 불변성은 순위기반 종속성을 자연스럽게 만들지만 종속성이 시간에 따라 일정하거나 짧은 자료로 완전히 식별된다는 뜻은 아닙니다

Pearson 상관은 전체 분포의 선형 동조를 요약하며 주변척도와 이상값에 민감합니다

연속 주변분포에서 Copula 기반인 Kendall tau나 Spearman rho도 종속성을 평균할 뿐 먼 모서리만 설명하지는 않습니다

따라서 모형이 평범한 동조를 잘 맞추면서 동시 대형손실 확률을 지나치게 낮게 둘 수 있습니다

상단 꼬리종속은 λ_U=lim_{q→1}P(V>q|U>q), 하단 꼬리종속은 λ_L=lim_{q→0}P(V≤q|U≤q)로 정의합니다

손실변수에서는 부호규약에 따라 관심 모서리가 달라지며 주식수익률 폭락은 보통 하단, 양의 손실크기는 상단 꼬리에 놓입니다

계수가 0이라는 것은 점근적 꼬리독립이지 유한한 모든 높은 문턱에서 독립이라는 뜻이 아닙니다

비퇴화 Gaussian Copula는 양의 상관에도 점근 꼬리종속이 0이지만 t Copula는 유한 자유도에서 대칭적인 양의 꼬리종속을 가집니다

Clayton은 하단, Gumbel은 상단 꼬리종속을 강조하므로 변수를 회전하거나 변환하면 표현하는 금융 모서리가 달라집니다

익숙하다는 이유로 분포족을 고르면 대칭성, 집중도와 조건부 극단거동을 포함한 위기형태를 암묵적으로 선택합니다

필요하면 시계열과 변동성을 필터링하고 보정된 잔차를 확률순위로 변환한 뒤 그 순위가 균등분포에 가까운지 확인합니다

Copula 모수를 불확실성과 함께 추정하고 꼬리가중 진단, 보류표본 우도와 조건부 초과도표로 분포족을 비교합니다

짧은 표본에는 공동극단이 매우 적고 긴 역사를 합치면 서로 다른 국면을 섞어 거짓 정밀도를 만들 수 있습니다

신뢰 가능한 여러 주변분포, Copula와 시간가변 명세 아래 포트폴리오 VaR·Expected Shortfall·스트레스손실·분산효과를 다시 계산합니다

각 자산만 따로 검증하거나 상관행렬만 맞추지 말고 공동초과와 조건부 실패를 백테스트합니다

실제 자본결정은 수학적 극한보다 앞에서 이뤄지므로 점근계수와 함께 유한문턱 종속성을 보고합니다