Clayton、Gumbel 与尾部相依的微笑

市场下跌时抱得比上涨时紧，对称的 copula 天生写不出这件事。一个 generator 函数如何把不对称焊进相依结构：Clayton、Gumbel、Joe、Frank 的推导、尾部相依公式与拟合流程。

第 6 篇 · 共 12 篇约 9 分钟

$t$ -copula 处理的是对称的尾部相依：两个资产一起涨到极端和一起跌到极端的概率相等。真实的金融市场不给这个面子。下跌的聚集性强于上涨——标普 500 处于最差 1% 的日子里，几乎所有其他股票指数都在同时经历自己的最差 1%；标普处于最佳 1% 时，联动就弱得多。这是 Longin & Solnik (2001) 和 Ang & Chen (2002) 各自独立坐实的经验规律。

对风险管理来说，这个不对称错不起：尾部相依对称的模型，错的方向恰好是最要命的方向。模型低估下跌聚集，等价于在最不该相信分散化的时刻高估分散化收益。所以我们需要一族能把”下尾和上尾各管各”写进数学结构里的 copula——这就是 Archimedean copula：Clayton 只有下尾相依，Gumbel 和 Joe 只有上尾相依，Frank 两头都没有。这篇文章把这一族从 generator 推起，给出每个成员的尾部相依公式，最后落到怎么在数据上认出该用哪一个。

一个函数生成一族 copula

Archimedean copula 的全部结构都由一个叫 generator（生成元）的函数 $\varphi$ 决定：

C(\mathbf{u}; \theta) = \varphi^{-1}\left(\varphi(u_1) + \cdots + \varphi(u_n); \theta\right)

其中 $\theta$ 是参数， $\varphi: [0,1] \to [0, \infty]$ 连续、递减、凸，且 $\varphi(1) = 0$ 、 $\varphi(0) = \infty$ 。满足这些条件的任何 $\varphi$ 都给出一个合法的 copula。这个构造的妙处在于：多元相依被压缩成”先逐坐标变换、再相加、再变换回来”，所以 copula 的一切性质——包括两个尾部各自的行为——都被 generator 在 0 和 1 附近的形状编码了。选不同的 $\varphi$ ，就是在选不同的尾部脾气；这正是本文反复要用的杠杆。

这一族在金融里有三个结构性特点，先摆在明面上。它是可交换的：copula 对自变量对称，资产怎么编号相依结构都一样——这是个强假设，方便但要记着它在高维会变成负担（后面回来算这笔账）。它通常只有一个参数： $\theta$ 解释干净、校准直接。而它最值钱的地方是尾部可以不对称：不同成员在上尾、下尾、两者或皆无处各有相依——高斯和 $t$ -copula 给不了这个。要多元形式可算， $\varphi$ 得有闭式逆；Clayton、Gumbel、Frank 都满足。

Clayton：只有下尾

Clayton copula 的 generator 是

\varphi(t) = \frac{t^{-\theta} - 1}{\theta}, \quad \theta > 0

逆函数 $\varphi^{-1}(s) = (1 + \theta s)^{-1/\theta}$ ，代进定义得

C^C(u, v; \theta) = \left(u^{-\theta} + v^{-\theta} - 1\right)^{-1/\theta}

两个端点定住直觉： $\theta \to 0$ 退化为独立 copula $C(u,v) = uv$ ； $\theta \to \infty$ 退化为 comonotonic copula $C(u,v) = \min(u,v)$ （完全相依）。中间的每个 $\theta$ 都带着一个精确的下尾相依系数：

\lambda_L = 2^{-1/\theta}

$\theta \to 0$ 时 $\lambda_L \to 0$ ， $\theta \to \infty$ 时 $\lambda_L \to 1$ ，关于 $\theta$ 单调递增。感受一下量级：

$\theta$	$\lambda_L$
0.5	0.25
1	0.50
2	0.71
5	0.87
10	0.93

而上尾这一侧：

\lambda_U = 0

不对称是结构性的： $u, v \to 0$ 时联合密度爆炸， $u, v \to 1$ 时联合密度趋于 0、联合概率退回独立预测 $u \cdot v$ 。翻译过来，Clayton 说的是”这组资产一起跌比一起涨更抱团”——正是日频股票数据的经验形态， $\theta$ 控制抱团有多紧。

一个方向约定必须盯紧：这里的 $u, v$ 是收益的均匀化，暴跌在下尾。如果你的变量定义成损失，崩盘就跑到上尾去了，Clayton 和 Gumbel 的角色整个互换（或者等价地，对 copula 做 survival 翻转）。选族之前先确认自己的尾巴朝哪边。

Gumbel：只有上尾

Clayton 管住了下尾，镜像的需求——只在上尾抱团——由 Gumbel copula 满足。它的 generator 是

\varphi(t) = (-\log t)^\theta, \quad \theta \ge 1

逆函数 $\varphi^{-1}(s) = \exp(-s^{1/\theta})$ ，copula 为

C^G(u, v; \theta) = \exp\left\{-\left[(-\log u)^\theta + (-\log v)^\theta\right]^{1/\theta}\right\}

$\theta = 1$ 恰好是独立 copula， $\theta \to \infty$ 趋于 comonotonic。上尾相依系数是

\lambda_U = 2 - 2^{1/\theta}

$\theta = 1$ 时 $\lambda_U = 0$ ， $\theta \to \infty$ 时 $\lambda_U \to 1$ ：

$\theta$	$\lambda_U$
1.0	0.00
1.5	0.27
2.0	0.41
3.0	0.59
5.0	0.76
10.0	0.87

下尾则一无所有：

\lambda_L = 0

在收益约定下，Gumbel 建模的是良性状态下的联动——所有资产一起反弹的场景；在损失约定下，它就是崩盘聚集的模型。另外 Gumbel 有个独门身份：它是唯一同时属于 Archimedean 族和极值 copula 族的成员（Gumbel, 1960 的出身就是多维极值分布），这让它在与 EVT 衔接的场景里格外顺手。

亲手看一眼不对称

公式说 Clayton 下尾有、上尾无，模拟五千个点验证一下。抽样用 gamma frailty 构造（Marshall–Olkin 法）：共享一个 $G \sim \text{Gamma}(1/\theta)$ 冲击，独立指数变量除以它再变换，得到的正是 Clayton：

import numpy as np

# 从 Clayton copula 模拟（Marshall-Olkin / gamma frailty 法）
np.random.seed(11)
theta = 2.0
n = 5000

def clayton_sim(theta, n):
    g = np.random.gamma(1/theta, 1, size=n)
    e1 = np.random.exponential(1, size=n)
    e2 = np.random.exponential(1, size=n)
    u = (1 + e1/g)**(-1/theta)
    v = (1 + e2/g)**(-1/theta)
    return u, v

U, V = clayton_sim(theta, n)

# 诊断不对称尾部相依
q = 0.05
empirical_lower = ((U < q) & (V < q)).mean() / q
empirical_upper = ((U > 1-q) & (V > 1-q)).mean() / q

print(f"Empirical lower-tail cond dependence: {empirical_lower:.3f}")
print(f"Empirical upper-tail cond dependence: {empirical_upper:.3f}")
print(f"Theoretical lower tail dependence: {2**(-1/theta):.3f}")
print(f"Theoretical upper tail dependence: 0 (Clayton has none)")

跑出来下尾条件相依远大于上尾——这就是 Clayton 被设计出来要捕捉的形态。高斯和 $t$ -copula 在原理上做不到这一点：它们都强制 $\lambda_L = \lambda_U$ 。

Joe：Gumbel 的另一个上尾亲戚

上尾相依不是 Gumbel 独家。Joe copula 的显式形式是

C_J(u, v; \theta) = 1 - \left[(1 - u)^\theta + (1 - v)^\theta - (1 - u)^\theta (1 - v)^\theta\right]^{1/\theta}

$\theta \ge 1$ ，generator 为

\varphi(t) = -\log\left(1 - (1 - t)^\theta\right), \quad \varphi^{-1}(s) = 1 - (1-e^{-s})^{1/\theta}

$\theta = 1$ 时退化为独立， $\theta \to \infty$ 时趋于 comonotonic。它的尾部形态与 Gumbel 同型：

\lambda_U = 2 - 2^{1/\theta}

\lambda_L = 0

上尾公式一模一样，但 Joe 是不同的族——generator 不同，躯干处的相依形状不同，同样的 $\lambda_U$ 下 Joe 把更多质量压在极端、躯干处更接近独立。所以选 Gumbel 还是 Joe，分歧不在尾部系数，而在你希望躯干长什么样。低维下 Joe 有时因似然面简单而被选中；代价与 Gumbel 相同——彻底放弃下尾。

到这里三个不对称成员都到齐了，把 Frank 一起收进对照表：

Copula	$\lambda_L$	$\lambda_U$
Clayton	$2^{-1/\theta}$	0
Gumbel	0	$2 - 2^{1/\theta}$
Joe	0	$2 - 2^{1/\theta}$
Frank	0	0

Frank：两头都不要

表里最后一行值得单独解释。Frank copula 的 generator 是

\varphi(t) = -\log\left(\frac{e^{-\theta t} - 1}{e^{-\theta} - 1}\right), \quad \theta \ne 0

逆函数 $\varphi^{-1}(s) = -\log(1 + (e^{-\theta} - 1) e^{-s}) / \theta$ ，copula 为

C^F(u, v; \theta) = -\frac{1}{\theta} \log\left(1 + \frac{(e^{-\theta u} - 1)(e^{-\theta v} - 1)}{e^{-\theta} - 1}\right)

$\theta \to 0$ 是独立， $\theta > 0$ 正相依， $\theta < 0$ 负相依——它是族里少数能表达负相依的成员。但任何 $\theta \ne 0$ 下都有 $\lambda_L = \lambda_U = 0$ ：躯干有相关，尾部干干净净。这反而是它的用武之地——数据整体相依较弱、尾部也确实没有聚集时，Frank 能拟合躯干而不往尾部塞假相依。用错的方式也很明确：把它套在明显有尾部聚集的数据上，它会用躯干拟合优度掩盖尾部的失配。

估计：从 Kendall 的 $\tau$ 反推 $\theta$

单参数族的好处在校准时兑现：一个秩相关统计量就够了。Archimedean copula 的 Kendall $\tau$ 与 generator 有一个漂亮的通式（Nelsen, 2006, §5.1）：

\tau = 1 + 4 \int_0^1 \frac{\varphi(t)}{\varphi'(t)} \, dt

代入各家的 $\varphi$ 就得到具体关系。Clayton 算出来是闭式：

\tau = \frac{\theta}{\theta + 2} \quad \text{(Clayton)}

Gumbel 也是：

\tau = 1 - 1/\theta \quad \text{(Gumbel)}

Frank 的结果绕不开 Debye 函数 $D_1$ ：

\tau = 1 - \frac{4}{\theta}\left[1 - D_1(\theta)\right], \quad D_1(\theta) = \frac{1}{\theta}\int_0^\theta \frac{t}{e^t - 1}\, dt \quad \text{(Frank)}

于是估计流程就是：算样本 $\hat\tau$ ，反演出 $\hat\theta$ 。Clayton 和 Gumbel 的反演有简单闭式：

\hat\theta_{\text{Clayton}} = \frac{2\hat\tau}{1 - \hat\tau}

\hat\theta_{\text{Gumbel}} = \frac{1}{1 - \hat\tau}

Frank 和 Joe 的 $\tau(\theta)$ 没有初等闭式（Joe 代入通式后的积分只能数值算），用一维求根器数值反演，或者干脆对似然直接做 MLE。独立性的健全性检查顺手可做： $\hat\tau = 0$ 时 Clayton 反演给 $\hat\theta = 0$ 、Gumbel 给 $\hat\theta = 1$ 、Frank 给 $\hat\theta = 0$ ——都正好落在各自的独立点上。这套基于秩相关的校准（Genest & Favre, 2007）对单参数 Archimedean 往往已经接近最优；要精修，就在 $\theta$ 上跑完整的 copula 对数似然。

选族：让数据的尾部说话

参数好估，真正的选择题是选哪个族，而答案就藏在本文开头那个不对称里。第一步永远是算经验的上、下尾相依系数： $\hat\lambda_L > \hat\lambda_U$ ，Clayton 进入候选； $\hat\lambda_U > \hat\lambda_L$ ，Gumbel 或 Joe；两者相当且都为正，Archimedean 单成员给不出这个形态，回头用 $t$ -copula。方向定了之后再用信息准则裁决细部：MLE 拟合几个候选、比 AIC 或 BIC（AIC 偏宽容、BIC 偏保守）。要更硬的证据，就上拟合优度检验——Cramér–von Mises 统计量 $T_n = \sum_{i} \left(C_n(\mathbf{u}_i) - C_{\hat\theta}(\mathbf{u}_i)\right)^2$ ，其中 $C_n$ 是经验 copula、在伪观测上求值，零分布靠 bootstrap； $T_n$ 落在上尾就拒绝。这是最严格的一道闸，也最费算力。

选完拟合完，风险度量走模拟：两阶段 MLE 定边际和 copula，抽一万条以上联合场景，逐场景算组合损失，取 99%（或 97.5%）分位数和尾均值。差异有多大取决于 $\theta$ 和组合结构：对下尾相依明显的组合，多个成分同时落进各自最差 1% 的联合概率比高斯 copula 高出一大截，组合 VaR 相应上抬、ES 抬得更多——量级从几个百分点到几十个百分点都见过，随样本和组合变化，报告时应当附上估计对 $\theta$ 的敏感性而不是只给点估计。日频股票数据上拟出的 Clayton $\theta$ 常见量级在 1 到 2 附近（对应 $\lambda_L$ 约 0.5–0.7），但这个数随样本期和市场状态漂移明显，别当常数用。

这一族的天花板

三个结构性局限，划清 Archimedean 能走多远。第一是高维。当 $\varphi^{-1}$ 完全单调时（Clayton $\theta > 0$ 、Gumbel、Frank $\theta > 0$ 都满足），可交换的多元版本是良定义的，但”可交换”在高维从便利变成了枷锁——所有资产对共享同一个 $\theta$ ，30 只股票两两之间的相依强度被迫完全相同，这显然不是真的。 $n$ 大了以后的标准解法是 vine copula：用 pair-copula 逐对搭建，每一对可以选不同的族和参数 (Aas et al., 2009)。第二还是可交换性，换个方向看：Archimedean 写不出”资产 1 拖累资产 2 比反过来更狠”这种有方向的相依，需要时得换非可交换构造——Marshall–Olkin copula，或对 Archimedean 做 Khoudraji 型非对称化。第三是时间：这里所有 copula 都假设相依是静态的，而真实市场的相依跟着波动率 regime 走；常见的工程解是 DCC-GARCH 配 copula，让相关性动起来、copula 管形状。

把整篇的判断收拢成一句可执行的话：先算经验尾部相依，让不对称的方向替你选族——多数股票组合会把你指向 Clayton；用 $\tau$ 校准起步、MLE 精修、Cramér–von Mises 把关。最流行的 copula 很少是正确答案；对大多数股票组合，下跌压力测试用 Clayton、一般组合风险用 $t$ -copula，是比”默认高斯”诚实得多的起点。

参考文献

Aas, K., Czado, C., Frigessi, A., & Bakken, H. (2009). Pair-copula constructions of multiple dependence. Insurance: Mathematics and Economics, 44(2), 182-198.

Ang, A., & Chen, J. (2002). Asymmetric correlations of equity portfolios. Journal of Financial Economics, 63(3), 443-494.

Clayton, D. G. (1978). A model for association in bivariate life tables and its application in epidemiological studies of familial tendency in chronic disease incidence. Biometrika, 65(1), 141-151.

Genest, C., & Favre, A.-C. (2007). Everything you always wanted to know about copula modeling but were afraid to ask. Journal of Hydrologic Engineering, 12(4), 347-368.

Gumbel, E. J. (1960). Distributions des valeurs extremes en plusieurs dimensions. Publications de l’Institut de Statistique de l’Université de Paris, 9, 171-173.

Longin, F., & Solnik, B. (2001). Extreme correlation of international equity markets. Journal of Finance, 56(2), 649-676.

McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative Risk Management: Concepts, Techniques and Tools (rev. ed.). Princeton University Press. Ch. 7.

Nelsen, R. B. (2006). An Introduction to Copulas (2nd ed.). Springer.