Student-t Copula：对称的尾部相依怎么搞对

高斯 copula 的尾部相依是 0。任何经历过市场危机的人都知道这是错的。2008 年次贷违约相关性是教科书级的例子：经验上实现的联合违约率是高斯 copula 预测的好几倍（Salmon, 2009）。

最省事的修正是 Student-$t$ copula。它保守到近乎吝啬：躯干的相关结构跟高斯完全一样，只多一个参数 $\nu$，专门管”多个资产同时走向极端”这件事。金融相依建模的文献大量转向了 $t$-copula，信用建模和股票收益里都常见（Bouchaud & Potters, 2003），理由就是这一个参数补上的正是高斯漏掉的那块。这篇文章推导 $t$-copula，算清它的尾部相依为什么不是 0，然后回答一个实务问题：$\nu$ 到底是什么、该设多少。

从多元 $t$ 构造

$t$-copula 从多元 Student-$t$ 分布导出，套路跟高斯 copula 从多元正态导出一模一样。自由度 $\nu$、位置 $\boldsymbol{\mu}$、尺度矩阵 $\boldsymbol{\Sigma}$ 的多元 $t$ 有随机表示（McNeil, Frey & Embrechts, 2015, §7.3）：

其中 $\mathbf{Z} \sim \mathcal{N}(\mathbf{0}, \boldsymbol{\Sigma})$，$S \sim \chi^2_\nu$ 与 $\mathbf{Z}$ 独立。等价地说：给定 $S$，$\mathbf{X}$ 就是按 $\sqrt{\nu/S}$ 缩放的多元正态。这个表示是理解全文的钥匙——所有分量共享同一个随机缩放因子 $\sqrt{\nu/S}$，$S$ 抽到很小的时候，所有分量一起被放大。联合极端不是巧合，是构造里写死的。

构造 copula 本身只需两步：取一个多元 $t$，自由度 $\nu$、离散度矩阵 $\boldsymbol{\Sigma} = \boldsymbol{\rho}$（单位对角，此时每个边际恰好是标准 $t_\nu$）；然后对每个分量套上自己的边际 CDF，把边际抹平成均匀分布。抹平之后剩下的相依结构就是 $t$-copula。形式化地，若 $F_\nu$ 是标准 $t_\nu$ 的 CDF、$\boldsymbol{\Phi}_{\nu, \boldsymbol{\rho}}$ 是对应多元 $t$ 的联合 CDF，则

模拟同样直接：抽多元 $t$，逐分量套 $u_i = F_\nu(x_i)$，得到的 $\mathbf{u}$ 就服从 $t$-copula。

两个参数：$\boldsymbol{\rho}$ 是相关矩阵，跟高斯 copula 里的完全同角色；$\nu$ 是自由度，越小联合尾部越肥。$\nu \to \infty$ 时 $S/\nu \to 1$，随机缩放退化成常数，$t$-copula 收敛到高斯 copula——高斯是 $t$ 的边界特例，这一点后面比较模型时还会用到。

为什么尾部相依不是 0

诊断一个 copula 的尾部，看尾部相依系数。上尾定义为

在 $\alpha \to 1$ 的极限下的值，下尾 $\lambda_L$ 对称地定义。$t$-copula 的四条性质：它可交换且尾部对称（$\lambda_u = \lambda_L = \lambda$）；任何有限 $\nu$ 下 $\lambda > 0$；$\nu \to 1^+$ 时 $\lambda \to 1$；$\nu \to \infty$ 时 $\lambda \to 0$。第二条就是它对高斯的全部胜利：只要 $\nu$ 有限，联合极端的条件概率就不归零。

对二元 $t$-copula（自由度 $\nu$、相关 $\rho$），上尾相依有闭式：

其中 $t_{\nu+1}$ 是标准 $t_{\nu+1}$ 的 CDF（Demarta & McNeil, 2005）。自变量为负，所以 $t_{\nu+1}(\cdot) < 1/2$、$\lambda_u \in [0, 1]$，符合要求；由对称性 $\lambda_L = \lambda_u$。推导就是对随机表示里那个潜在 chi-squared 变量积分。

代入中等相关 $\rho = 0.5$ 算一遍：

以 $\nu = 4$ 为例：$\lambda_u = 2\, t_5(-\sqrt{5/3}) \approx 2 \times 0.127 = 0.25$。注意这张表的衰减有多快——$\nu$ 到 30，尾部相依已经基本没了。$\nu$ 不是一个”微调”参数，它在 2 到 10 之间的选择直接决定你的模型认不认联合崩盘。

读法举例：日频股票收益的经验拟合常落在 $\nu \approx 4$–$8$（下一节细说），在 $\rho = 0.5$ 时对应尾部相依大约 0.1 到 0.25。翻译成人话：资产 A 处于它最差 1% 的日子里，资产 B 同处最差 1% 的条件概率有一两成。高斯 copula 对同一问题的渐近回答是零。这个差异在组合层面会被指数级放大：50 只股票、平均两两相关 0.4，“全部同时落在各自最差 5%“的联合概率，$\nu = 5$ 的 $t$-copula 给出的值比高斯高出多个数量级（McNeil, Frey & Embrechts, 2015, §7.4.4）——事件越极端，两个模型的分歧越荒谬。

$\nu$ 就是尾指数

$\nu$ 有个不依赖 copula 语境的直接含义。单变量 $t_\nu$ 的生存函数在大 $t$ 处是幂律：

所以尾指数 $\alpha = \nu$。$\nu = 1$ 是 Cauchy——尾巴肥到连均值都不存在（$\nu > 1$ 才有均值，$\nu > 2$ 才有方差）；$\nu = \infty$ 是高斯，指数尾，没有幂律行为。尾指数决定极端损失变罕见的速率：$\alpha = 5$ 时概率减半只让损失阈值抬 $2^{1/5} \approx 1.15$ 倍，不算什么；$\alpha = 2$ 时是 $2^{1/2} \approx 1.41$ 倍，就显著了。

日频股票数据的经验拟合给 $\nu \approx 4$–$7$，对应尾指数 4–7——跟 EVT 文章里 GPD 尾指数的估计范围一致。这不是巧合而是自洽：两种方法量的都是同一份数据的”尾部斜率”，从两个方向逼近同一个数，是让人放心的交叉验证。

没有数据、需要先验时，不同产品的经验量级不同：个股日频 $\nu \approx 4$–$7$；股指日频 $\nu \approx 5$–$8$（指数更分散，尾部比个股瘦）；信用违约时间的 CDO 建模常用 $\nu \approx 4$–$6$、相关 0.05–0.30；外汇日频 $\nu \approx 4$–$6$；利率日频 $\nu \approx 6$–$10$，尾部比股票瘦。这些只是文献量级、随样本和时期变化，内部模型该用自己的数据估计 $\nu$——估法就是下一节。

拟合：两阶段推断

经典拟合方法分两阶段，利用边际和相依的分离（McNeil, Frey & Embrechts, 2015, §7.5）。

第一阶段估边际：每个 $X_i$ 单独拟合，不管相依。可以用经验 CDF（半参数路线），也可以用参数族（正态、$t$、generalized hyperbolic 等）。拟合完做变换 $U_i = \hat F_i(X_i)$，把数据压到均匀边际上。第二阶段在均匀值上拟合 copula 参数 $\boldsymbol{\rho}, \nu$，对数似然是

其中 $m$ 是样本量、$c^t_\nu$ 是 $t$-copula 密度。这套两阶段方法（Joe, 1997 的 IFM 一系）在边际估计一致时对 copula 参数也是一致的。$\boldsymbol{\rho}$ 的估计近似于变换后数据的样本相关；$\nu$ 没有闭式，要数值优化。中等维度下两阶段 MLE 表现不错；维度很高时 $\boldsymbol{\rho}$ 需要正则化（图模型、收缩估计等）来维持正定和可估性。

拟合时有三个坑，每个都值得点名。可识别性：copula 的 $\nu$ 和边际 $t$ 分布的 $\nu$（如果你边际也用 $t$）不是分开可识别的，经典修法是第一阶段用不施加 $t$ 形状的边际估计（核密度之类），$\nu$ 完全留给第二阶段从 copula 似然里估。过拟合 $\nu$：有限样本下 $\nu$ 的 MLE 可能偏低——模型想要比真相更肥的尾——用先验把它往高斯方向（$\nu = \infty$）正则化通常给出更好的样本外表现，贝叶斯 copula 文献里常用 inverse-gamma 这类 $\nu$ 先验。计算成本：$t$-copula 的密度和 CDF 都比高斯贵，$n = 50$ 个资产可行，上千维就痛苦了。

跟高斯 copula 掰手腕

比较两个模型时，记住结构关系：相关矩阵 $\boldsymbol{\rho}$ 完全同角色，差别全在联合尾部；而高斯是 $t$-copula 在 $\nu \to \infty$ 处的边界特例。所以在训练数据上，放开 $\nu$ 的 $t$-copula 拟合优度不会输给高斯——真正的问题从来是样本外的尾部：多出来的 $\nu$ 买到的是真实的尾部相依，还是噪音。

实务上区分它们最直接的检验是经验尾部相依：取阈值（比如 95% 分位），数”两个资产同时超阈值”的频率，跟独立情形对比。高斯 copula 下这个条件概率随阈值推向极端趋于零；$t$-copula 下收敛到正常数。也可以做正式的似然比较（备择模型下先把 $\nu$ 估出来，再对比两边的最大对数似然；由于高斯落在参数边界上，常规的卡方渐近要打折扣，实务里更常直接看 AIC 和样本外尾部诊断）。

模拟里看一遍：

import numpy as np
from scipy.stats import t as t_dist

# 从二元 t-copula 模拟
np.random.seed(7)
n = 10_000
nu = 5             # 自由度
rho = 0.5

# 方法 1：随机表示
S = np.random.chisquare(nu, size=n) / nu
Z = np.random.multivariate_normal([0, 0], [[1, rho], [rho, 1]], size=n)
Y = Z / np.sqrt(S)[:, None]   # 二元 t
U = t_dist.cdf(Y, df=nu)     # 均匀

# 方法 2：显式走 Cholesky（与方法 1 等价）
L = np.linalg.cholesky([[1, rho], [rho, 1]])
Z2 = np.random.normal(size=(n, 2)) @ L.T
S2 = np.random.chisquare(nu, size=n) / nu
Y2 = Z2 / np.sqrt(S2)[:, None]
U2 = t_dist.cdf(Y2, df=nu)

# 尾部相依诊断
threshold = 0.95
both_high = ((U[:, 0] > threshold) & (U[:, 1] > threshold)).mean()
print(f"Joint upper-tail prob at 95%: {both_high:.4f}")
print(f"Independent (Gaussian) prediction: {(1-threshold)**2:.4f}")
print(f"Conditional tail dependence at 95%: {both_high/(1-threshold):.3f}")

跑一下，条件尾部相依显著大于零——这就是 $t$-copula 的经验签名。

参数不确定性别忘了报

组合层面的统计量（99% VaR、ES）依赖 $\hat\nu$ 和 $\hat{\boldsymbol{\rho}}$ 的精度，而 $\nu$ 在有限样本里估得并不稳。拿置信区间的实务方法是 bootstrap：有放回地重抽样联合观测，重新拟合边际和 copula，重算组合 VaR / ES，重复上千次，取分布的 95% 区间。对千级样本量、几十个资产的组合，99% VaR 的区间往往宽到两位数百分比——报点估计不报区间，等于把模型不确定性藏起来了。

它赢在哪、停在哪

$t$-copula 成为默认选择的场景，共同点都是”联合极端是主要风险”：2008 年之后的 CDO 定价广泛从高斯换到 $t$-copula，尾部相依对夹层 tranche 的定价影响相当可观；多资产组合的压力测试，用 $t$-copula 能看到高斯直接抹掉的联合极端；跨业务线的操作风险聚合，在怀疑尾部相依时用它；对手方敞口里的 wrong-way risk——对手方违约概率和你对他的敞口同向而动——天然就是尾部相依问题。

它停下的地方也清楚：$\lambda_u = \lambda_L$ 是构造性的对称，而经验上股票收益的下尾相依高于上尾——下跌的聚集性强于上涨。需要不对称尾部时，$t$-copula 给不了，要换 Clayton、Gumbel、Joe 这类 Archimedean copula，下一篇讲。但作为基线，“同一个 $\boldsymbol{\rho}$、多一个 $\nu$、对称地把联合尾部撑肥”是从高斯出发最保守也最常用的一步升级：对日频金融数据，$\nu$ 取 4–7 是有经验支撑的起点，再小就是更极端的尾部观点了——那是你的选择，但要知道自己在选什么。

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.

Bouchaud, J.-P., & Potters, M. (2003). Theory of Financial Risk and Derivative Pricing (2nd ed.). Cambridge University Press.

Demarta, S., & McNeil, A. J. (2005). The $t$ copula and related copulas. International Statistical Review, 73(1), 111-129.

Joe, H. (1997). Multivariate Models and Dependence Concepts. Chapman & Hall.

McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative Risk Management: Concepts, Techniques and Tools (2nd ed.). Princeton University Press. Ch. 7.

Salmon, F. (2009, February 27). Recipe for disaster: the formula that killed Wall Street. Wired Magazine.