🦊 小i · Derivatives Tutor 目前主題:Overview
Full Derivatives Tutor Subsite

Copula 與 Gaussian Copula

從 copula 基礎、Gaussian 與 t-copula 的尾端差異、David X. Li 原始論文、Hull 章節導讀,到超過 50 題的互動題庫,這是一個可以直接上課、複習、口試與考前衝刺的完整學習子站。

KaTeX 渲染 單主題顯示 暗亮多主題切換 50+ 題庫 Li paper 收錄

課程總覽與五個核心思維模型

先抓底層思維,再接公式與應用。這是 ai-tutor 的標準打法,避免只背一堆碎片名詞。

Mental models first
01
Marginals ≠ Dependence

「某一家公司自己會不會倒」是一件事,「它和別人會不會同時倒」是另一件事,兩者需要分開建模。

02
Correlation 不是自然常數

你估出來的相關性只是模型輸入。危機時它會 regime shift。

03
Tranche 是非線性切片

equity、mezzanine、senior 對同一個 $\rho$ 的反應方向可以不一樣。

04
Tail 才是信用市場靈魂

平常 99% 沒事沒那麼重要,真正定生死的是危機時的共同違約。

05
Tractable 會放大共識

越容易算、越容易報價、越容易把損失切分層級,就越容易被全市場一起濫用。

你現在怎麼讀這份子站
  1. 先看 Copula Basics,把名詞拆清楚。
  2. 再看 Gaussian Engine,把模型骨架講順。
  3. 接著看 Li Paper,理解原始論證。
  4. 最後用 Tail Lab + 題庫 把觀念壓實。
老師最愛問的三句

因為它把信用組合的聯合違約問題,簡化成只需要一個相關係數。這個相關係數可以直接從市場上的信用違約交換(Credit Default Swap,就是幫某家公司的違約風險買保險的工具)的市場價格反推出來,不需要龐長的歷史違約資料。最重要的是:它很好算、很容易報價、很容易把整體損失切成不同層級,所以整個市場很快都用同一套。

十秒版:一個相關係數就能定價,可校準、可報價、可切分層級。

因為 Gaussian copula 在漸近意義下沒有「尾端依賴」——在極端場景下,它把各公司的違約當成幾乎彼此無關。平常這沒問題,但危機時大家一起違約,模型就會大幅低估這個共同違約的機率。加上所用的樣本期間恰好是房價一直漲的年代,所以校出來的相關性就進一步偏低,2008 年房價同步下跌時,就爆在模型最脆弱的地方。

十秒版:漸近意義下沒有尾端依賴 + 短樣本期間校準 = 高估了自身的安全性。

它們吸收损失的區間完全不同:

  • 權益層(Equity Tranche,前段損失):相關性低時,各公司隨機違約,權益層會一直被小金額啃蝕。相關性高時,結果兩極化:要嘛大家幾乎都沒事(權益層很安全),要嘛一起倒(權益層直接被清除)。整體來說,高相關性下權益層的預期損失可能反而降低。
  • 優先層(Senior Tranche,尾端損失):相關性低時,各層級的違約振動幾乎不對它有影響。但相關性一高,大家一起違約的尾端場景變多,幾乎只有這種場景才會償到優先層,所以尾端壓力大幅上升。
十秒版:相關性高 → 權益層風險降、優先層尾端壓力升。
⏱ 10 秒背法完整版(點此展開)

Copula Basics,把 marginals 與 dependence 拆開

Copula 最重要的用途,不是炫數學,而是讓你可以把個別分配和聯合依賴分開建模。

Sklar's theorem
Sklar 定理
$$F(x_1,\ldots,x_d)=C\big(F_1(x_1),\ldots,F_d(x_d)\big)$$

任何聯合分配都可以拆成 marginal distributions 加上 copula。金融上的白話是,先決定每個名字自己怎麼違約,再決定大家怎麼一起違約。

一句話翻譯

Copula separates marginals from dependence.

  • Marginal distribution:單一公司自己的 default distribution。
  • Joint distribution:多個公司同時 default 的聯合分配。
  • Dependence structure:彼此怎麼連動,尤其極端時會不會黏在一起。
Uniform space

copula 活在 $[0,1]^d$,先把 marginals 映成 uniform。

Rank dependence

copula 比 Pearson correlation 更重視排序與 joint behavior。

Tail dependence

在極端右尾或左尾,是否仍一起發生大事件。

Why finance cares

因為 basket CDS、CDO tranche 的定價核心就是聯合違約。

考試版 10 秒回答:Copula 是用來把邊際違約機率與聯合依賴結構分開處理的工具,特別適合信用組合與 CDO 類商品。

Gaussian / Normal Copula 的引擎怎麼組起來

最實用的教學說法,是把違約事件轉進 latent normal variables 的世界,再透過 correlation 結構求 joint default behavior。

Latent normal world
Step 1
定 marginal default distribution

從 CDS spread、hazard rate curve 或 survival curve 得到 $Q_i(T)=\mathbb{P}(\tau_i\le T)$。

Step 2
機率搬到 normal space

用 $\Phi^{-1}$ 把 default probability 轉成 threshold,例如 $\Phi^{-1}(Q_i(T))$。

Step 3
用相關結構黏起來

假設一組隱含變數服從 multivariate normal,由 $\Sigma$ 描述相依結構。

Gaussian copula
$$C_{\Sigma}(u_1,\ldots,u_n)=\Phi_{\Sigma}\big(\Phi^{-1}(u_1),\ldots,\Phi^{-1}(u_n)\big)$$

先把 uniform 機率映到標準常態刻度,再用 multivariate normal 把它們連起來。

One-factor model
$$Z_i=\beta_i S+\sqrt{1-\beta_i^2}\,\varepsilon_i$$

$S$ 是共同景氣因子,$\varepsilon_i$ 是 idiosyncratic shock。這是 CreditMetrics 與一因子 copula 直覺的核心。

Portfolio loss
$$L(t)=\sum_{i=1}^{N} l_i\mathbf{1}_{\tau_i

名字在時間 $t$ 前 default,就貢獻一筆損失,LGD 由 notional 與 recovery 決定。

Tranche loss
$$L_{[a,d]}(t)=(L(t)-a)^+-(L(t)-d)^+$$

tranche 是損失切片。equity 先吸收、senior 最後受傷,這也是相關性效果不同的原因。

最值得背的一句:Gaussian copula 把 default correlation 問題,轉成一組 latent normal thresholds 的聯合機率問題。

David X. Li 論文收錄區

On Default Correlation: A Copula Function Approach,Journal of Fixed Income, March 2000。這一區把你上傳的 SSRN 論文重點正式收錄進 artifact。

Original paper
Paper metadata

David X. Li
On Default Correlation: A Copula Function Approach
The Journal of Fixed Income, March 2000

"We first introduce a random variable called time-until-default."
  • Li 不滿意只用「一年內是否違約」來定義 default correlation。
  • 他主張用 survival time / time-until-default 的連續隨機變數來處理。
  • 核心觀點是,信用商品估值真正需要的是 joint distribution of survival times
Discrete default correlation
$$\rho=\frac{q_{AB}-q_A q_B}{\sqrt{q_A(1-q_A)q_B(1-q_B)}}$$

Li 先回顧傳統的一年期事件型 default correlation,然後指出這種定義太依賴任意時間區間,資訊浪費也大。

這個式子本身沒有錯,但 Li 認為只看一年太粗糙。因為 default 是時間相關事件,依賴結構也會隨 horizon 改變。

Time-until-default
$$F(t)=\Pr(T\le t),\qquad S(t)=1-F(t)=\Pr(T>t)$$

Li 把 default 建模成 survival analysis 問題,讓信用風險和壽命/可靠度分析接軌。

$$h(x)=\frac{f(x)}{1-F(x)}=-\frac{S'(x)}{S(x)},\qquad S(t)=e^{-\int_0^t h(s)ds}$$

這也是 hazard rate 與 survival function 的連結,後面 credit curve 就從這裡接出去。

Why copula?

Li 的核心論點是,市場可從 risky bonds、asset swap spreads 等資料抽出 marginals,但 joint distribution 沒有唯一答案,所以需要 copula 來指定 dependence structure。

  • marginal credit curves 來自市場資訊
  • joint distribution 不唯一
  • copula 提供最自然的拼接方法
  • 可用於 first-to-default、credit default swaps、basket credit structures
CreditMetrics equivalence

Li 明確指出,當時 CreditMetrics 透過 asset correlation 來處理 default dependence 的方法,等價於使用 normal copula

"CreditMetrics approach ... is equivalent to using a normal copula."

這句話很重要,因為它把結構模型語言和 copula 語言接了起來,也是老師最容易延伸追問的地方。

教室版結論

Li 論文最大的貢獻,不只是提出一個公式,而是把信用依賴問題改寫成「先定 marginals,再用 copula 指定 joint survival structure」。

口語版可以這樣說:Li 讓 default correlation 從模糊的事件統計,變成可以拿來估值 basket credit derivatives 的 joint survival framework。

Gaussian vs t-copula 的 Tail Dependence 視覺化

同樣的相關性,不代表同樣的尾端風險。這個實驗用有限門檻下的 joint tail co-move 來視覺化差異。

Interactive lab
參數控制
Gaussian latent world
比較圖與解讀
t-copula latent world
Gaussian 有限門檻尾端共振
0.0%
近似 $P(X>u\mid Y>u)$,固定門檻 $u=1.5$。
t-copula 有限門檻尾端共振
0.0%
相同 $\rho$ 下比較尾端黏性。
理論提醒
$$\lambda_u^{\text{Gaussian}}=0,\qquad \lambda_u^{t}=2\,t_{\nu+1}\!\left(-\sqrt{\frac{(\nu+1)(1-\rho)}{1+\rho}}\right)>0$$

Gaussian copula 在漸近意義下沒有 tail dependence,而 t-copula 在有限自由度時可以保有正的尾端依賴。

看圖時只要記一件事:在同樣 $\rho$ 下,t-copula 右上角群聚通常更厚,這就是危機世界比較黏的原因。

Correlation 與 CDO Tranche Risk Lab

拖拉相關性,看 equity、mezzanine、senior 的方向性風險如何移動。這是老師最愛抽問的直覺題。

Tranche intuition
Equity tranche 風險/價差壓力偏高
Mezzanine tranche 敏感度中等
Senior tranche 尾端壓力偏低
當 $\rho$ 偏低時,較像各自零星違約,equity tranche 先吸收很多中小損失。
Break-even spread
$$C_0=\frac{\mathbb{E}\left[\int_0^T e^{-\int_0^t r(s)ds}dL_{[a,d]}(t)\right]}{\mathcal{A}_{[a,d]}(0)}$$

Baruch MFE 講義把 tranche spread 講得很清楚,本質上就是預期損失現值除以 risky annuity。

  • 低 correlation:junior/equity 較容易頻繁受損,senior 比較穩。
  • 高 correlation:風險兩極化,senior 最怕的共同違約場景變多。
  • Mezzanine:常是 implied correlation 最尷尬、最敏感的一層。

Hull 11e 章節摘錄與導讀

這區不是把課本重貼一遍,而是用短摘錄 + 老師會問什麼 + 為什麼重要的方式來收斂重點。

Ch.24–25 digest
p.577
24.8 Default Correlation

Hull 在這裡把 default correlation 與一因子 Gaussian copula 直覺接起來。

"the tendency for two companies to default"
  • default correlation 使信用風險無法完全分散化。
  • 一因子模型用共同因子解釋 default dependence。
  • copula correlation 是後面 CDO 與 basket CDS 的關鍵輸入。
p.599–601
25.8–25.10 CDO / Synthetic CDO

waterfall 結構、loss allocation、以及相關性如何改變 tranche 風險,都在這裡。

"Losses of principal are first borne by the equity tranche"
  • equity tranche 吃 first loss。
  • 高 correlation 會讓 senior tranche 更怕尾端事件。
  • synthetic CDO 用 CDS cashflows 取代現貨債券池。
p.608
25.11 Alternatives to Standard Model

這是回答「Gaussian 以外有什麼」的教科書入口。

"Student-t, Clayton, Double t"
  • Hull 明確提到可以改用其他 copulas。
  • 這表示市場與教科書都知道單一 Gaussian 架構不夠。
  • 也是你回答替代模型最安全的來源。
推薦閱讀路線
  1. 先看 Ch.24 default probability / recovery / default correlation
  2. 再看 Ch.25 CDS / basket CDS / CDO / synthetic CDO
  3. 最後用 25.11 收尾,補 alternative copulas 與 model risk
老師最可能追問
  • 為什麼 low correlation 與 high correlation 對 tranche 影響方向不同?
  • 為什麼 compound/base correlation 會出現?
  • 替代 copula 為什麼更能處理 tails?

資源雷達,影片、文獻、課程怎麼分工

不是每份資料都做同一件事。把資料角色分清楚,你學起來會快很多。

Resource stack
Wired / Felix Salmon

講危機敘事與 model risk 語感,適合回答「why Wall Street loved it」這類問題。

David X. Li, Journal of Fixed Income (2000)

方法原點,重點是 time-until-default、copula approach、與 CreditMetrics 正常 copula 的對應。

Baruch MFE Lecture 9

tranche loss、break-even spread、Gaussian copula、LHP、base correlation 的最佳骨架。

Columbia Copulas Slides

Sklar、Kendall’s tau、tail dependence、Gaussian vs t-copula 的理論底盤。

Hull 11e

老師考試用語與教科書表述最重要來源,尤其 Ch.24–25。

YouTube:Financial Correlation Modeling

把 copula 公式與 joint default probability 講得更口語,適合上課中快速補直覺。

YouTube:CDO Tranches Gaussian Copula Explained Simply

補 tranche fragility 與結構化商品直覺,對非數學型同學特別友善。

YouTube:Gaussian Copula Explained Simply

幫你快速切換成生活化語言,適合考前最後一次複習。

你上傳的 SSRN PDF

已正式收錄進這個 artifact,Paper 區就能直接對照 Li 原始論點,不用再另外找一次。

50+ 題庫與考試模式

現在題庫擴充到 56 題。可以用考試模式抽題,也可以切到學習模式看完整題庫。進度保存在本機瀏覽器。

56 questions
載入中

載入中...

中階 1 / 56
已掌握:0 / 56
目前模式:考試模式