5D Library › 宏观流动性体制转换、极值尾部相依与杠铃资产配置 · English

第三章 Copula 与尾部相依

相关系数回答不了的问题

两项资产的相关系数是 0.5,它们在最坏的那 1% 的日子里一起下跌的可能性有多大?相关系数本身回答不了。皮尔逊相关系数衡量的是线性关系,它依赖于边际分布的形状;相关为零不等于独立;同样的相关系数可以对应尾部行为截然不同的联合分布。恩布雷希茨、麦克尼尔与施特劳曼在危机前就系统地整理过这些「陷阱」 (Embrechts et al. 2002)。要单独讨论「一起下跌」,需要把联合分布中描述相依的部分与描述各自波动的部分分开,这就是 Copula。

斯克拉定理

证据

斯克拉定理 (Sklar 1959; Nelsen 2006):任何联合分布函数 F(x1,…,xd)F(x_1, \dots, x_d) 都可以写成

F(x1,…,xd)=C(F1(x1),…,Fd(xd)),F(x_1, \dots, x_d) = C\big(F_1(x_1), \dots, F_d(x_d)\big),

其中 FiF_i 是边际分布,CC 是定义在 [0,1]d[0,1]^d 上、边际为均匀分布的联合分布函数,称为 Copula;边际连续时 CC 唯一。反过来,任取一个 Copula 与任意边际,上式都定义了一个合法的联合分布。

这意味着可以分两步建模:先为每项资产选择边际分布(例如第二章的厚尾分布),再单独选择描述相依结构的 Copula。Copula 对每个变量的单调递增变换不变,所以与它配套的相依度量是秩相关,例如肯德尔 τ。本章用到四种 Copula:

  • 高斯 Copula 与 学生 t Copula,参数为相关系数 ρ\rho(t 还有自由度 ν\nu),二者都有 τ=2πarcsin⁡ρ\tau = \frac{2}{\pi}\arcsin\rho;
  • 克莱顿 Copula C(u,v)=(u−θ+v−θ−1)−1/θC(u,v) = (u^{-\theta} + v^{-\theta} – 1)^{-1/\theta},τ=θ/(θ+2)\tau = \theta/(\theta + 2);
  • 古贝尔 Copula C(u,v)=exp⁡{−[(−ln⁡u)θ+(−ln⁡v)θ]1/θ}C(u,v) = \exp\{-[(-\ln u)^\theta + (-\ln v)^\theta]^{1/\theta}\},τ=1−1/θ\tau = 1 – 1/\theta。

尾部相依系数

下尾与上尾相依系数定义为

λL=limu→0+P(V≤u∣U≤u)=limu→0+C(u,u)u,λU=limu→1−P(V>u∣U>u).\lambda_L = \lim_{u \to 0^+} P(V \le u \mid U \le u) = \lim_{u\to 0^+}\frac{C(u,u)}{u}, \qquad \lambda_U = \lim_{u \to 1^-} P(V > u \mid U > u).

它们回答的问题是:当一项资产落入越来越极端的尾部时,另一项资产也落入同样极端的尾部的条件概率,在极限上是否仍大于零。

克莱顿 Copula 的下尾。 C(u,u)=(2u−θ−1)−1/θ=u(2−uθ)−1/θC(u,u) = (2u^{-\theta} – 1)^{-1/\theta} = u\,(2 – u^{\theta})^{-1/\theta},所以 C(u,u)/u→2−1/θC(u,u)/u \to 2^{-1/\theta},即 λL=2−1/θ\lambda_L = 2^{-1/\theta}。它的上尾相依系数为零。

古贝尔 Copula 的上尾。 对角线上 C(u,u)=u21/θC(u,u) = u^{2^{1/\theta}},于是

λU=limu→1−1−2u+u21/θ1−u=2−21/θ\lambda_U = \lim_{u\to 1^-}\frac{1 – 2u + u^{2^{1/\theta}}}{1 – u} = 2 – 2^{1/\theta}

(洛必达法则)。它的下尾相依系数为零。

高斯 Copula。 当 ρ<1\rho < 1 时 λL=λU=0\lambda_L = \lambda_U = 0,称为「渐近独立」:条件概率 P(V≤u∣U≤u)P(V \le u \mid U \le u) 随 u→0u \to 0 趋于零,但趋于零的速度很慢。学生 t Copula 则有对称的正尾部相依 λ=2tν+1(−(ν+1)(1−ρ)/(1+ρ))\lambda = 2\,t_{\nu+1}\!\left(-\sqrt{(\nu+1)(1-\rho)/(1+\rho)}\right) (Embrechts et al. 2002; McNeil et al. 2015)。

作者框架给出的三个公式(高斯为 0、克莱顿 2−1/θ2^{-1/\theta}、古贝尔 2−21/θ2 – 2^{1/\theta})经核对都正确。需要补充的是方向:克莱顿 Copula 只有下尾相依,古贝尔 Copula 只有上尾相依。如果用古贝尔 Copula 描述共同暴跌,必须用它旋转 180 度后的「生存」版本,否则模型描述的是共同暴涨。

下面的程序让四种 Copula 有相同的肯德尔 τ = 1/3(高斯与 t 的 ρ=0.5\rho = 0.5,t 的自由度 4;克莱顿 θ=1\theta = 1;古贝尔 θ=1.5\theta = 1.5),各模拟 40 万对,计算在 5%、1% 与 0.2% 分位上的条件概率,并与理论极限比较。

推导

# Tail dependence of four copulas with the SAME Kendall's tau = 1/3: Gaussian (rho 0.5),
# Student t (rho 0.5, 4 d.f.), Clayton (theta 1) and Gumbel (theta 1.5). Empirical
# lambda_L(u) = P(V < u | U < u) and lambda_U(u) = P(V > 1-u | U > 1-u) from 400,000
# simulated pairs, against the theoretical limits as u -> 0. Margins do not matter: the
# copula is invariant to increasing transformations, so empirical quantiles suffice.
import math, random

N = 400_000

def gaussian(rng, rho=0.5, df=None):
    out = []
    for _ in range(N):
        a = rng.gauss(0, 1); b = rho * a + math.sqrt(1 - rho * rho) * rng.gauss(0, 1)
        if df:
            w = math.sqrt(rng.gammavariate(df / 2, 2) / df); a, b = a / w, b / w
        out.append((a, b))
    return out

def clayton(rng, th=1.0):                     # Marshall-Olkin: gamma frailty
    out = []
    for _ in range(N):
        v = rng.gammavariate(1 / th, 1)
        out.append(tuple((1 + rng.expovariate(1) / v) ** (-1 / th) for _ in range(2)))
    return out

def gumbel(rng, th=1.5):                      # Marshall-Olkin: positive stable frailty
    a, out = 1 / th, []
    for _ in range(N):
        w, e = rng.uniform(0, math.pi), rng.expovariate(1)
        s = (math.sin(a * w) / math.sin(w) ** (1 / a)
             * (math.sin((1 - a) * w) / e) ** ((1 - a) / a))
        out.append(tuple(math.exp(-(rng.expovariate(1) / s) ** a) for _ in range(2)))
    return out

def lam(pairs, u):
    xs = sorted(p[0] for p in pairs); ys = sorted(p[1] for p in pairs); n = len(pairs)
    k = int(u * n); xl, yl, xh, yh = xs[k], ys[k], xs[n - k - 1], ys[n - k - 1]
    lo = sum(1 for x, y in pairs if x < xl and y < yl) / k
    hi = sum(1 for x, y in pairs if x > xh and y > yh) / k
    return lo, hi

def t_cdf(x, df, steps=4000):                 # Simpson's rule on the density, x < 0
    c = math.exp(math.lgamma((df + 1) / 2) - math.lgamma(df / 2))
    c /= math.sqrt(df * math.pi)
    f = lambda t: c * (1 + t * t / df) ** (-(df + 1) / 2)
    a, h = x - 400.0, 400.0 / steps
    s = f(a) + f(x) + sum((4 if i % 2 else 2) * f(a + i * h) for i in range(1, steps))
    return s * h / 3

if __name__ == "__main__":
    rng = random.Random(2002)
    lt = 2 * t_cdf(-math.sqrt(5 * 0.5 / 1.5), 5)
    models = (("Gaussian", gaussian(rng), 0.0, 0.0),
              ("t (4 d.f.)", gaussian(rng, df=4), lt, lt),
              ("Clayton", clayton(rng), 2 ** -1.0, 0.0),
              ("Gumbel", gumbel(rng), 0.0, 2 - 2 ** (1 / 1.5)))
    us = (0.05, 0.01, 0.002)
    res = {name: [lam(pairs, u) for u in us] for name, pairs, a, b in models}
    for side, j in (("lower", 0), ("upper", 1)):
        print(f"{side} tail   u = 0.05    0.01   0.002    limit as u -> 0")
        for name, pairs, l_lo, l_hi in models:
            print(f"  {name:12s}" + "".join(f"{r[j]:8.3f}" for r in res[name])
                  + f"   {(l_lo, l_hi)[j]:6.3f}")
    print("P(both in their worst 1 %) per model (independence: 0.0001):")
    print("   " + "   ".join(f"{name} {res[name][1][0] * 0.01:.4f}"
                             for name, p, a, b in models))
# lower tail   u = 0.05    0.01   0.002    limit as u -> 0
#   Gaussian       0.249   0.125   0.065    0.000
#   t (4 d.f.)     0.333   0.282   0.265    0.253
#   Clayton        0.510   0.505   0.506    0.500
#   Gumbel         0.170   0.063   0.026    0.000
# upper tail   u = 0.05    0.01   0.002    limit as u -> 0
#   Gaussian       0.245   0.125   0.071    0.000
#   t (4 d.f.)     0.334   0.275   0.242    0.253
#   Clayton        0.096   0.022   0.003    0.000
#   Gumbel         0.432   0.417   0.376    0.413
# P(both in their worst 1 %) per model (independence: 0.0001):
#    Gaussian 0.0013   t (4 d.f.) 0.0028   Clayton 0.0050   Gumbel 0.0006

四种 Copula 的肯德尔 τ 相同,尾部却完全不同。克莱顿 Copula 的下尾条件概率在三个分位上都约为 0.51,与极限 0.500 一致;上尾则迅速趋于零。古贝尔 Copula 正好相反:上尾 0.43、0.42、0.38,趋向 0.413,下尾趋于零。t Copula 两尾对称,在 0.2% 分位上约为 0.24 到 0.27,接近极限 0.253。高斯 Copula 的条件概率从 0.25 降到 0.125 再降到约 0.07:它确实趋于零,但在 1% 分位上仍有八分之一的机会一起落入最坏的 1%。最后一行把它换算为两项资产同时落入最坏 1% 的概率:独立时为 0.0001,高斯 Copula 为 0.0013,t Copula 为 0.0028,克莱顿 Copula 为 0.0050;古贝尔 Copula 只有 0.0006,因为它的相依集中在上尾。图 3 用正态得分画出了四种 Copula 的散点,左下角与右上角的点分别是两项资产同时落入最低与最高 5% 的日子。

四种肯德尔 τ 均为 1/3 的 Copula(各 1,500 个模拟点,按秩转换为正态得分)。紫色:两项资产同时落入最低 5%;青色:同时落入最高 5%。虚线为 5% 与 95% 分位。

所以「高斯 Copula 的尾部相依为零」是一个关于极限的准确陈述,不能理解为「高斯 Copula 认为极端损失不会一起出现」。它的问题在于:越往尾部走,它给出的共同极端事件的概率比 t 或克莱顿 Copula 下降得越快;在 1% 分位上二者相差约 2 到 4 倍,在更极端的分位上差别更大。

高斯 Copula 与 2008 年的批评

证据

李祥林 2000 年提出用 Copula 刻画多个债务人违约时间之间的相依,并以高斯 Copula 为主要例子,相关参数取自资产收益的相关性 (Li 2000)。此后单因子高斯 Copula 成为担保债务凭证(CDO)分层定价与报价的市场标准。2009 年《连线》杂志的一篇文章称它为「毁掉华尔街的公式」 (Salmon 2009)。麦肯齐与斯皮尔斯访谈了投资银行的从业者后认为:从业者在危机前就对标准模型有很深的疑虑(例如分层隐含相关性不稳定、需要「基础相关性」等补丁),而危机的核心机制与高斯 Copula 较简单的用法有关(他们在配套的另一篇文章中展开),而不是投行衍生品部门那些更复杂的用法 (MacKenzie and Spears 2014)。恩布雷希茨等人早在危机前就指出,高斯 Copula 没有尾部相依,用它会低估共同极端事件 (Embrechts et al. 2002)。

所以,对 2008 年批评的准确表述是:高斯 Copula 的尾部相依为零,在极端分位上给出的共同违约概率比有尾部相依的模型低得多;它的单一相关参数通常从平静时期校准;从业者知道这些局限,但模型仍被广泛用于报价与评级。危机的成因还涉及住房、杠杆、激励与监管等本书不讨论的因素,所以本书不说「一个公式导致了金融危机」。

注

估计尾部相依很难。 有限样本只能估计某个分位上的条件概率,而不是极限:十年日数据中最坏的 1% 只有 25 天。实践中常比较几种 Copula 族的似然,或者用第二章的方法对联合尾部建模 (McNeil et al. 2015)。

本章小结

斯克拉定理把联合分布分解为边际分布与 Copula,使相依结构可以单独建模;秩相关与尾部相依系数是 Copula 层面的度量。高斯 Copula(ρ<1\rho < 1)的尾部相依系数为零,但这只是极限:相关系数 0.5 时,在 1% 分位上的条件共同暴跌概率仍为 0.125。克莱顿 Copula 只有下尾相依 2−1/θ2^{-1/\theta},古贝尔 Copula 只有上尾相依 2−21/θ2 – 2^{1/\theta},t Copula 两尾对称。在相同的肯德尔 τ 下,四种 Copula 给出的两项资产同时落入最坏 1% 的概率相差八倍以上。对 2008 年高斯 Copula 的批评,准确的核心是尾部相依为零与平静期校准,而不是「一个公式毁掉了华尔街」。

参考文献

Embrechts, Paul, Alexander J. McNeil, and Daniel Straumann. 2002. “Correlation and Dependence in Risk Management: Properties and Pitfalls.” In Risk Management: Value at Risk and Beyond, edited by M. A. H. Dempster. Cambridge University Press.
Li, David X. 2000. “On Default Correlation: A Copula Function Approach.” The Journal of Fixed Income 9 (4): 43–54. https://doi.org/10.3905/jfi.2000.319253.
MacKenzie, Donald, and Taylor Spears. 2014. “‘The Formula That Killed Wall Street’: The Gaussian Copula and Modelling Practices in Investment Banking.” Social Studies of Science 44 (3): 393–417. https://doi.org/10.1177/0306312713517157.
McNeil, Alexander J., Rüdiger Frey, and Paul Embrechts. 2015. Quantitative Risk Management: Concepts, Techniques and Tools. Revised. Princeton University Press.
Nelsen, Roger B. 2006. An Introduction to Copulas. 2nd ed. Springer.
Salmon, Felix. 2009. “Recipe for Disaster: The Formula That Killed Wall Street.” Wired 17 (3).
Sklar, Abe. 1959. “Fonctions de répartition à nn Dimensions Et Leurs Marges.” Publications de l’Institut de Statistique de l’Université de Paris 8: 229–31.

Fan, Y. (2026). Macro-Liquidity Regime Switching, Extreme Tail Dependence and Barbell Asset Allocation: Vine Copulas, Hidden Markov Models and Sovereign Buffer Dynamics [宏观流动性体制转换、极值尾部相依与杠铃资产配置] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828049 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).