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。
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。
「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。
你估出來的相關性只是模型輸入。危機時它會 regime shift。
equity、mezzanine、senior 對同一個 $\rho$ 的反應方向可以不一樣。
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。
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。
- 先看 Copula Basics，把名詞拆清楚。
- 再看 Gaussian Engine，把模型骨架講順。
- 接著看 Li Paper，理解原始論證。
- 最後用 Tail Lab + 題庫 把觀念壓實。
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。
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。
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。
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。
任何聯合分配都可以拆成 marginal distributions 加上 copula。金融上的白話是，先看每間公司自己有多大機率倒，再看它們會不會一起倒。
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。
Copula 活在 $[0,1]^d$ 的空間裡。你先把每個公司的違約機率（不管原來是什麼分配）全部「壓扁」成 0 到 1 之間均勻分布的數字，然後再描述這些壓扁後的變數怎麼一起動。好處是：依賴結構完全不受原來 marginal 形狀的影響。
Pearson 相關係數只能抓「線性共動」，兩個變數若只在極端時才同時出事，Pearson 可能完全看不出來。Copula 保存了每個觀測值在自己分配裡的相對排名（rank），因此即使邊際分配形狀不同，也能精確描述極端事件是否同時發生。
衡量「當 A 發生極端壞事時，B 也同時落入極端的機率」。正式定義：$\lambda_L = \lim_{u o 0^+} P(U_2 \le u \mid U_1 \le u)$。Gaussian copula 的 $\lambda_L = 0$，代表漸近極端下兩者趨近獨立，這就是它在危機時低估共同崩潰機率的根本原因。
信用衍生商品（CDO、basket CDS、first-to-default swap）的價值完全取決於聯合違約機率。單看每家公司的違約率不夠，必須知道它們「會不會一起倒」。Copula 讓你先從市場取得每家公司的違約曲線，再選合理的 dependence 結構接起來，不需要一開始就假設整體 joint distribution。
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。
從市場上的 CDS 報價或債券殖利率，推算每家公司的累積違約機率 $Q_i(T)=\mathbb{P}( au_i\le T)$，代表「公司 $i$ 在 $T$ 前倒閉的機率」。每家公司的曲線獨立估計，不需事先假設彼此的連動關係。
用反常態函數 $\Phi^{-1}$ 把 $Q_i(T)$ 轉成門檻值 $c_i = \Phi^{-1}(Q_i(T))$。意義：想像公司 $i$ 背後有隱藏的「資產狀況」變數 $Z_i$，只要 $Z_i$ 跌破 $c_i$ 就違約——把離散的違約事件轉成連續常態世界的問題。
假設所有公司的隱藏資產變數 $(Z_1,\ldots,Z_n)$ 聯合服從多元常態分布，相關矩陣為 $\Sigma$。計算聯合違約機率時，只看這些 $Z_i$ 是否同時跌破各自門檻 $c_i$。一個 $ ho$ 控制所有公司同步惡化的程度，既是模型的「魔法」也是它的「陷阱」。
三步驟：① 把累積違約機率 $u_i\in[0,1]$ 用 $\Phi^{-1}$ 映到常態刻度；② 丟進多元常態 $\Phi_\Sigma$；③ 讀出聯合機率。整個過程在常態空間操作，積分有解析近似，報價才能快速完成。
$S$ 是所有公司共享的景氣因子，$ arepsilon_i$ 是公司 $i$ 的獨特衝擊，兩者獨立。因子荷重 $eta_i$ 決定公司 $i$ 跟整體市場的緊密程度：$eta_i=1$ 完全隨市場，$eta_i=0$ 完全獨立。兩公司 $i,j$ 的相關係數為 $ ho_{ij}=eta_ieta_j$。這個一因子版讓大規模組合計算變得可行。
$\mathbf{1}_{ au_i
每個 tranche 用 attachment point $a$ 和 detachment point $d$ 定義，只承受 $[a,d]$ 範圍內的損失。$(x)^+=\max(x,0)$。直覺：損失未超過 $a$ 時此 tranche 無傷；超過 $d$ 時已被清空，超出部分由更高層承擔。這個「cut-off」機制讓不同 tranche 對同一 $ ho$ 的反應方向完全不同。
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。
David X. Li
On Default Correlation: A Copula Function Approach
The Journal of Fixed Income, March 2000
Li 寫這篇論文的出發點，是當時市場上的 default correlation 定義太粗糙。傳統做法是設定固定時間區間（通常一年），定義「公司 A 在這一年內違約」為 0/1 事件，再算 Pearson 相關係數。
- 問題一：時間區間任意 — 選一年還是兩年，結果完全不同，沒有哪個「正確」。
- 問題二：信息浪費 — 公司第 3 個月倒還是第 11 個月倒，對衍生商品價值影響很大，但傳統定義全部算成 1，細節全丟。
- Li 的解法 — 把「何時違約」本身當成連續隨機變數（time-until-default），利用完整 survival curve 資訊，也讓聯合違約問題有更自然的數學框架。
Li 先回顧這個傳統公式，然後點出它的根本局限。
符號說明：$q_A,q_B$ 是各自一年內違約機率；$q_{AB}$ 是同一年同時違約的機率；分子是超額聯合違約機率；分母是標準化因子。
Li 的三點批評：
- 時間區間任意：選一年還是兩年，$ ho$ 完全不同。
- 信息嚴重浪費：第 1 個月倒還是第 11 個月倒，對 CDO 定價意義天差地別，但這裡全算成 1。
- 無法跨 horizon 比較：不同 maturity 的 basket CDS 無法用同一個 $ ho$ 定價。
Li 把 default 建模成 survival analysis 問題，讓信用風險與壽命/可靠度分析接軌。
$T$ 是「公司什麼時候違約」的隨機變數，可以是任何正實數，讓我們能談「公司在第 3 到 5 年之間違約的機率」這類精細問題。
$h(t)$ 是 hazard rate（瞬時違約風險）：「已知公司活到時間 $t$，它在接下來極短 $dt$ 內違約的機率密度」。
- Hazard rate 越高 → survival function 下降越快 → 公司越快倒
- CDS 市場的 spread 可用來校準 hazard rate curve（信用曲線）
- 一旦有 $h_i(t)$，就能算 $F_i(t)=1-e^{-\int_0^t h_i(s)ds}$，這就是 copula 的 marginal 輸入
Li 的核心論點是，市場可從 CDS spreads 等資料抽出 marginals，但 joint survival distribution 沒有唯一答案，所以需要 copula 指定 dependence structure。
Li 把問題分成兩個可以分開解決的子問題：
- Marginals：可從市場 CDS spreads、risky bond yields 直接推算，每家公司分開處理，有唯一答案。
- Joint distribution：給定相同 marginals，可以有無數種聯合分布，沒有唯一答案——這就是 copula 的用武之地。
選哪種 copula 是建模決策，不是從市場直接觀察的事實。應用範圍：
- First-to-default swap：第一家違約即觸發，需要 joint survival time 最小值的分布
- Basket credit / CDO tranches：損失取決於整個池子的聯合違約行為
Li 明確指出，CreditMetrics 透過 asset correlation 處理 default dependence 的方法，等價於使用 normal copula。
這個等價性把兩種截然不同的思路接在一起：
- 結構模型語言（Merton/CreditMetrics）：公司有隱藏的「資產價值」過程，跌破門檻時違約。兩家公司的 asset correlation 決定是否一起違約。
- Copula 語言（Li）：先把違約機率映到 normal quantile，再用相關矩陣連起來。
Li 指出：如果 CreditMetrics 用常態 asset value 過程，等價於在 survival time 上套 normal copula。這讓兩種定價框架有了明確對應，也是老師追問「結構模型 vs. 縮減式模型 vs. copula」的切入點。
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」的通用框架。
正面評價（學術貢獻）：
- 把 default correlation 從「一年期二元事件」升級為「連續 survival time 的聯合分布」問題
- 提供 marginals 與 dependence 分開處理的通用框架
- 指出 CreditMetrics = normal copula，統一兩種語言
- 讓 basket credit derivatives 定價有了可操作的數學基礎
批判性思考（2008 後的反省）：
- Normal copula 的選擇是強假設，但市場把它當成唯一事實
- Correlation 參數從房價上漲期間估出，完全沒有尾端場景的樣本
- Sklar 定理告訴我們 copula 不唯一，但市場集中在單一模型
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。
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。
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。
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。
Hull 在這裡把 default correlation 與一因子 Gaussian copula 直覺接起來。
- 為什麼要研究 default correlation？ 若違約完全獨立，大組合可完全分散化，senior tranche 幾乎不受傷。但實際上公司違約有連帶性（景氣衰退時一起倒），讓信用風險無法完全多角化。
- 一因子模型的直覺： Hull 用 $V_i = a_i F + \sqrt{1-a_i^2} Z_i$ 描述公司 $i$ 的資產品質，$F$ 是共同景氣因子，$Z_i$ 是獨特衝擊。兩家公司的 default correlation 就是因子荷重的乘積 $ ho_{ij}=a_i a_j$。
- Copula correlation 的實務意義： 這個 $ ho$ 是 CDO 和 basket CDS 的核心輸入，也是最難估計、最容易出錯的地方。從歷史資料估出的 $ ho$ 未必能反映壓力期間的真實水準。
- 考試重點： Default correlation 越高，tranche 風險分布越兩極化；senior 越危險，equity 在高 correlation 下反而可能較安全。
waterfall 結構、loss allocation、以及相關性如何改變 tranche 風險，都在這裡。
Waterfall 結構（由下到上）：
- Equity tranche（底層，First Loss）：最先承擔損失，例如 0–3%（0–3 億/百億組合）。收益率最高，但最先被清空。投資人通常是 hedge funds 或追求高收益的機構。
- Mezzanine tranche（中層）：equity 被清空後才開始承擔，例如 3–7%。利率介於兩者之間，對 correlation 的敏感度最複雜。
- Senior tranche（頂層，Last Loss）：最後才受傷，例如 7–100%。評等最高（AAA），利率最低。最怕「大家一起倒」的尾端場景。
Synthetic CDO： 用 CDS 複製信用曝險，不持有實際資產，靈活快速，也讓空倉成為可能（2008 年某些機構藉此大賺）。
這是回答「Gaussian 以外有什麼」的教科書入口。
- Student-t copula（t-copula）：有限自由度 $ u$ 時保留尾端依賴 $\lambda>0$。$ u$ 越小尾端越厚、越保守。最常被提到的替代選項。
- Clayton copula：Archimedean copula，左尾依賴強（同時崩潰機率高），右尾依賴為零（同時上漲不相關）。非對稱性符合信用市場直覺：違約往往同步，但復甦不一定同步。
- Double-t copula：連共同因子和個別衝擊都換成 t 分布，進一步增厚尾端，比單純 t-copula 更保守。
Hull 承認 Gaussian 不夠，表示學界早就知道問題存在。所有替代模型也有各自的假設和局限——沒有完美的 copula。
- 先看 Ch.24 default probability / recovery / default correlation
- 再看 Ch.25 CDS / basket CDS / CDO / synthetic CDO
- 最後用 25.11 收尾，補 alternative copulas 與 model risk
核心：不同 tranche 吃的是損失分布的不同「位置」。
- Low correlation（各自違約）：違約散開，組合每隔一段時間就有一家倒。「細水長流」的損失最容易侵蝕 equity tranche，senior 幾乎不受影響。
- High correlation（一起違約）：違約兩極化——要嘛大家都沒事，要嘛同時全倒。高 correlation 降低了 equity 的期望損失，但大幅提高 senior 被打到的機率。
Gaussian copula 只有一個 $ ho$，但市場上不同 tranche 的報價隱含的 $ ho$ 並不一樣——即「correlation smile/skew」現象。
- Compound correlation：對每個 tranche 分開反推 $ ho$，使模型價格等於市場報價。問題是 mezzanine 有時找不到解，且不同 tranche 的 $ ho$ 無法合理組合。
- Base correlation：把任何 tranche $[a,d]$ 拆成兩個 equity tranche 之差 $[0,d]-[0,a]$，對每個 attachment point 找可以匹配市場的 $ ho(x)$，建成 base correlation curve。通常是單調的，比 compound 更穩健。
Base correlation 本質上是用插值繞過模型不一致——這本身說明 Gaussian copula 框架有根本性缺陷。
Gaussian copula 的根本問題：漸近尾端依賴係數為零：
在最極端情境下，Gaussian copula 把兩個變數當成接近獨立的——和危機時大家一起崩潰的現實完全相反。
- t-copula：有限自由度 $ u$ 時 $\lambda_U^{t}=2\,t_{ u+1}\!\left(-\sqrt{ rac{( u+1)(1- ho)}{1+ ho}} ight)>0$。$ u$ 越小，尾端連帶性越強。
- Clayton copula：左尾有正的依賴性，右尾為零——更符合「違約同步、復甦不同步」的信用市場直覺。
- Double-t copula：因子和個別衝擊都換成 t 分布，進一步放大尾端依賴。
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。
講危機敘事與 model risk 語感，適合回答「why Wall Street loved it」這類問題。
方法原點，重點是 time-until-default、copula approach、與 CreditMetrics 正常 copula 的對應。
tranche loss、break-even spread、Gaussian copula、LHP、base correlation 的最佳骨架。
Sklar、Kendall’s tau、tail dependence、Gaussian vs t-copula 的理論底盤。
老師考試用語與教科書表述最重要來源，尤其 Ch.24–25。
把 copula 公式與 joint default probability 講得更口語，適合上課中快速補直覺。
補 tranche fragility 與結構化商品直覺，對非數學型同學特別友善。
幫你快速切換成生活化語言，適合考前最後一次複習。
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。