全部期权指南
资产在最关键区域同时变得依赖阅读约15分钟
金融中的Copula与Tail Dependence
理解Copula如何分离边缘分布与依赖、相关性为何遗漏联合极端、不同Copula族的Tail Dependence，以及风险聚合的验证方法
由 Mark 编写 · 官方资料列于文末
直接答案
Copula把边缘分布连接成联合分布，并分离其中的依赖结构。Tail Dependence衡量阈值不断移向尾部时，极端结果是否仍可能共同发生。因此，只匹配普通相关性会遗漏主导组合风险的联合损失
联合风险由两种材料组成
每项资产的边缘分布描述自身结果，依赖结构决定它们的概率排名如何共同出现
两个组合可以拥有相同的个别损失分布与线性相关性，却有显著不同的联合崩盘概率
Copula明确这种分离，但仍需充分联合估计边缘与Copula，以免一层的错误被另一层掩盖
Sklar定理提供连接
对边缘分布为F_1,…,F_d的联合分布F，Sklar定理写成F(x_1,…,x_d)=C(F_1(x_1),…,F_d(x_d))
边缘连续时，Copula C唯一，并且在变量严格递增变换下保持不变
这种不变性使秩依赖自然，却不表示依赖随时间恒定，也不表示有限数据能完全识别它
相关性不能指定联合尾部
Pearson相关概括整个分布中的线性共同变动，并对边缘尺度与离群值敏感
连续边缘下基于Copula的Kendall tau或Spearman rho也只是平均依赖，并非只描述遥远角落
所以模型可能很好地匹配普通共同变动，却给同时严重损失分配过低概率
Tail Dependence聚焦分布角落
上尾依赖为λ_U=lim_{q→1}P(V>q|U>q)，下尾依赖为λ_L=lim_{q→0}P(V≤q|U≤q)，前提是极限存在
对损失变量，相关角落取决于符号约定；股票收益崩盘通常在下尾，正的损失大小则在上尾
系数为零表示渐近尾部独立，并不表示在每个有限高阈值下都独立
不同Copula族意味着不同危机形态
非退化Gaussian Copula即使正相关，渐近尾部依赖也为零；有限自由度的t Copula则有对称的正尾部依赖
Clayton强调下尾依赖，Gumbel强调上尾依赖，因此旋转或变换变量会改变它代表的金融角落
仅因熟悉而选某一分布族，就会默默选定包括对称性、集中程度与条件极端行为在内的危机几何
估计必须包括边缘与状态
在适当时过滤序列动态与波动率，把校准残差转换成概率排名，并检查这些排名是否接近均匀分布
连同不确定性估计Copula参数，并用尾部加权诊断、留出似然与条件超越图比较分布族
短样本中的联合极值极少，而合并很长历史又可能混合不相容的状态并造成虚假精度
风险聚合需要模型多样性
在多种可信边缘、Copula和时变设定下重新计算组合VaR、Expected Shortfall、压力损失与分散效应
应回测联合超越与条件失败，而不是只逐项验证资产或匹配一张相关矩阵
实际资本决策发生在数学极限之前，因此要在渐近系数之外同时报告有限阈值依赖
常见问题
金融中的Copula是什么？
它是在表示资产间依赖结构的同时，把各项资产分布连接成多元分布的函数
什么是Tail Dependence？
它表示一个变量在所选尾部极端时，另一个变量也在同一尾部极端的极限条件概率
为什么相关性不足以衡量组合风险？
因为具有相同相关性的依赖结构，可以给同时极端损失分配非常不同的概率
Gaussian Copula没有崩盘依赖吗？
相关系数低于一时其渐近尾部依赖为零，但在有限阈值上仍可能存在显著依赖
资料来源与延伸阅读
把这个概念应用到一份期权
选择合约和目标，让价格、时间与波动率假设在同一份分析中清晰呈现
分析我的期权