所有期權指南
資產在最關鍵區域同時變得依賴閱讀約15分鐘
金融中的Copula與Tail Dependence
理解Copula如何分離邊際分佈與依賴、相關性為何遺漏聯合極端、不同Copula族的Tail Dependence，以及風險聚合的驗證方法
由 Mark 撰寫 · 官方資料列於文末
直接解答
Copula把邊際分佈連接成聯合分佈，並分離其中的依賴結構。Tail Dependence衡量門檻不斷移向尾部時，極端結果是否仍可能共同發生。因此，只匹配普通相關性會遺漏主導組合風險的聯合損失
聯合風險由兩種材料組成
每項資產的邊際分佈描述自身結果，依賴結構決定它們的概率排名如何共同出現
兩個組合可以擁有相同的個別損失分佈與線性相關性，卻有顯著不同的聯合崩盤概率
Copula明確這種分離，但仍需充分聯合估計邊際與Copula，以免一層的錯誤被另一層掩蓋
Sklar定理提供連接
對邊際分佈為F_1,…,F_d的聯合分佈F，Sklar定理寫成F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d))
邊際連續時，Copula C唯一，並且在變量嚴格遞增變換下保持不變
這種不變性令秩依賴自然，卻不表示依賴隨時間恆定，也不表示有限數據能完全識別它
相關性不能指定聯合尾部
Pearson相關概括整個分佈中的線性共同變動，並對邊際尺度與離群值敏感
連續邊際下基於Copula的Kendall tau或Spearman rho也只是平均依賴，並非只描述遙遠角落
所以模型可能很好地匹配普通共同變動，卻給同時嚴重損失分配過低概率
Tail Dependence聚焦分佈角落
上尾依賴為λ_U=lim_{q→1}P(V>q|U>q)，下尾依賴為λ_L=lim_{q→0}P(V≤q|U≤q)，前提是極限存在
對損失變量，相關角落取決於符號約定；股票回報崩盤通常在下尾，正的損失大小則在上尾
系數為零表示漸近尾部獨立，並不表示在每個有限高門檻下都獨立
不同Copula族代表不同危機形態
非退化Gaussian Copula即使正相關，漸近尾部依賴也為零；有限自由度的t Copula則有對稱的正尾部依賴
Clayton強調下尾依賴，Gumbel強調上尾依賴，因此旋轉或變換變量會改變它代表的金融角落
僅因熟悉而選某一分佈族，就會默默選定包括對稱性、集中程度與條件極端行為在內的危機幾何
估計必須包括邊際與狀態
在適當時過濾序列動態與波幅，把校準殘差轉換成概率排名，並檢查這些排名是否接近均勻分佈
連同不確定性估計Copula參數，並用尾部加權診斷、留出似然與條件超越圖比較分佈族
短樣本中的聯合極值極少，而合併很長歷史又可能混合不相容的狀態並造成虛假精度
風險聚合需要模型多樣性
在多種可信邊際、Copula和時變設定下重新計算組合VaR、Expected Shortfall、壓力損失與分散效應
應回測聯合超越與條件失敗，而不是只逐項驗證資產或匹配一張相關矩陣
實際資本決策發生在數學極限之前，因此要在漸近系數之外同時報告有限門檻依賴
常見問題
金融中的Copula是甚麼？
它是在表示資產間依賴結構的同時，把各項資產分佈連接成多元分佈的函數
Tail Dependence是甚麼？
它表示一個變量在所選尾部極端時，另一個變量也在同一尾部極端的極限條件概率
為何相關性不足以衡量組合風險？
因為具有相同相關性的依賴結構，可以給同時極端損失分配非常不同的概率
Gaussian Copula沒有崩盤依賴嗎？
相關系數低於一時其漸近尾部依賴為零，但在有限門檻上仍可能存在顯著依賴
資料來源與延伸閱讀
把這個概念應用到一份期權
選擇合約和目標，讓價格、時間與波幅假設在同一份分析中清晰呈現
分析我的期權