Copulas และ Tail Dependence ในการเงิน
เรียนรู้ว่า copulas แยก marginal distributions ออกจาก dependence อย่างไร เหตุใด correlation จึงพลาด joint extremes ได้ tail dependence แตกต่างกันระหว่าง copula families อย่างไร และจะตรวจสอบ risk aggregation อย่างไร
คำตอบโดยตรง
Copula เชื่อม marginal distributions ให้เป็น joint distribution และแยกโครงสร้าง dependence ออกมา Tail dependence วัดว่าผลลัพธ์สุดขั้วยังมีโอกาสเกิดพร้อมกันหรือไม่เมื่อ threshold เคลื่อนไปไกลขึ้น ดังนั้นการจับคู่ correlation ปกติเพียงอย่างเดียวอาจพลาดการขาดทุนร่วมที่ครองความเสี่ยงของพอร์ต
Joint risk มีองค์ประกอบที่แยกกันสองส่วน
สินทรัพย์แต่ละตัวมี marginal distribution ที่อธิบายผลลัพธ์ของตัวเอง ขณะที่โครงสร้าง dependence กำหนดว่าอันดับความน่าจะเป็นของสินทรัพย์เหล่านั้นเกิดขึ้นพร้อมกันอย่างไร
สองพอร์ตอาจมี loss distributions รายตัวและ linear correlations เหมือนกัน แต่มีความน่าจะเป็นของ joint crash ต่างกันอย่างมีนัยสำคัญ
Copulas ทำให้การแยกนี้ชัดเจน แต่ยังต้องประมาณ margins และ copula ร่วมกันมากพอเพื่อไม่ให้ข้อผิดพลาดในชั้นใดชั้นหนึ่งถูกซ่อนไว้
Sklar’s theorem ให้จุดเชื่อมโยง
สำหรับ joint distribution F ที่มี margins F_1,…,F_d, Sklar’s theorem เขียนได้ว่า F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d))
เมื่อ margins ต่อเนื่อง copula C จะมีเอกลักษณ์และไม่เปลี่ยนเมื่อแปลงตัวแปรด้วยฟังก์ชันที่เพิ่มขึ้นอย่างเคร่งครัด
ความไม่แปรเปลี่ยนนี้ทำให้ dependence แบบ rank เป็นธรรมชาติ แต่ไม่ได้หมายความว่า dependence คงที่ตลอดเวลาหรือระบุได้อย่างสมบูรณ์จากข้อมูลจำกัด
Correlation ไม่ได้กำหนด joint tails
Pearson correlation สรุป linear co-movement รอบ distribution ทั้งหมด และไวต่อ scale ของ marginal และ outliers
แม้ Kendall’s tau หรือ Spearman’s rho ซึ่งอิง copula เมื่อ margins ต่อเนื่อง จะเฉลี่ย dependence แทนที่จะอธิบายเฉพาะมุมไกลสุด
ดังนั้นโมเดลอาจ fit co-movement ปกติได้ แต่กำหนดความน่าจะเป็นของการขาดทุนรุนแรงพร้อมกันต่ำเกินไปมาก
Tail dependence มุ่งไปที่มุมสุดขอบ
Upper tail dependence คือ λ_U=lim_{q→1}P(V>q|U>q) และ lower tail dependence คือ λ_L=lim_{q→0}P(V≤q|U≤q) เมื่อขีดจำกัดมีอยู่
สำหรับ loss variables มุมที่เกี่ยวข้องขึ้นกับ sign convention; equity-return crashes มักอยู่ใน lower tail ขณะที่ขนาดการขาดทุนที่เป็นบวกอยู่ใน upper tail
ค่าสัมประสิทธิ์เป็นศูนย์หมายถึง asymptotic tail independence ไม่ใช่ independence ที่ทุก threshold สูงแต่ยังมีค่าจำกัด
Copula families สื่อถึงวิกฤตที่ต่างกัน
Gaussian copula ที่ไม่เสื่อมสภาพมี asymptotic tail dependence เป็นศูนย์แม้มี correlation เป็นบวก ขณะที่ t copula มี symmetric positive tail dependence เมื่อ degrees of freedom เป็นค่าจำกัด
Clayton เน้น lower-tail dependence และ Gumbel เน้น upper-tail dependence ดังนั้นการหมุนหรือแปลงตัวแปรจะเปลี่ยนว่ามุมใดของการเงินถูกแทน
การเลือก family เพราะคุ้นเคยเท่ากับเลือก crisis geometry อย่างเงียบ ๆ รวมถึง symmetry, concentration และ conditional-extreme behavior
การประมาณต้องรวม margins และ regime
กรอง serial dynamics และ volatility เมื่อเหมาะสม แปลง residuals ที่ calibrate แล้วเป็น probability ranks และตรวจสอบว่า ranks เหล่านั้นใกล้ uniform หรือไม่
ประมาณพารามิเตอร์ของ copula พร้อมความไม่แน่นอน และเปรียบเทียบ families ด้วย tail-weighted diagnostics, held-out likelihood และ conditional exceedance plots
ตัวอย่างสั้นมี joint extremes น้อยมาก ขณะที่การรวมประวัติยาวอาจผสม regime ที่เข้ากันไม่ได้และสร้าง precision ลวง
Risk aggregation ต้องใช้ความหลากหลายของโมเดล
คำนวณ portfolio VaR, Expected Shortfall, stress losses และ diversification ใหม่ภายใต้ margins, copulas และข้อกำหนด time-varying ที่น่าเชื่อถือหลายแบบ
Backtest joint exceedances และ conditional failures แทนการตรวจสอบเฉพาะสินทรัพย์แต่ละตัวหรือจับคู่เพียง correlation matrix
รายงาน dependence ที่ threshold จำกัดควบคู่กับ asymptotic coefficients เพราะการตัดสินใจเรื่องเงินกองทุนเกิดขึ้นก่อนถึง mathematical limit
คำถามที่พบบ่อย
Copula ในการเงินคืออะไร?
คือฟังก์ชันที่เชื่อม distributions ของสินทรัพย์แต่ละตัวให้เป็น multivariate distribution พร้อมแทนโครงสร้าง dependence ของสินทรัพย์เหล่านั้น
Tail dependence คืออะไร?
คือ conditional probability แบบลิมิตที่ตัวแปรหนึ่งอยู่ในภาวะสุดขั้วเมื่ออีกตัวอยู่ในภาวะสุดขั้วใน tail ที่เลือกเดียวกัน
เหตุใด correlation จึงไม่พอสำหรับความเสี่ยงของพอร์ต?
โครงสร้าง dependence ต่างกันสามารถมี correlation เดียวกัน แต่กำหนดความน่าจะเป็นของการขาดทุนสุดขั้วพร้อมกันต่างกันมาก
Gaussian copula ไม่มี dependence ตอน crash หรือไม่?
มี asymptotic tail dependence เป็นศูนย์เมื่อ correlation ต่ำกว่าหนึ่ง แต่ยังแสดง dependence ที่มีนัยสำคัญได้เมื่อ threshold ยังมีค่าจำกัด