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，先決定每個名字自己怎麼違約，再決定大家怎麼一起違約。
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 $[0,1]^d$，先把 marginals 映成 uniform。
copula 比 Pearson correlation 更重視排序與 joint behavior。
在極端右尾或左尾，是否仍一起發生大事件。
因為 basket CDS、CDO tranche 的定價核心就是聯合違約。
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 CDS spread、hazard rate curve 或 survival curve 得到 $Q_i(T)=\mathbb{P}(\tau_i\le T)$。
用 $\Phi^{-1}$ 把 default probability 轉成 threshold，例如 $\Phi^{-1}(Q_i(T))$。
假設一組隱含變數服從 multivariate normal，由 $\Sigma$ 描述相依結構。
先把 uniform 機率映到標準常態刻度，再用 multivariate normal 把它們連起來。
$S$ 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。
名字在時間 $t$ 前 default，就貢獻一筆損失，LGD 由 notional 與 recovery 決定。
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。
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 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。
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。
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。
這也是 hazard rate 與 survival function 的連結，後面 credit curve 就從這裡接出去。
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
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。
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。
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。
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。
- 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。
waterfall 結構、loss allocation、以及相關性如何改變 tranche 風險，都在這裡。
- 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。
這是回答「Gaussian 以外有什麼」的教科書入口。
- 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。
- 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
- 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。
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。