标签： #尾部依赖

组合 VaR 的经典做法是方差-协方差法：正态边缘 + 一个相关系数矩阵包打天下。但相关系数只刻画线性依赖的平均强度，说不出「两个资产会不会一起崩」。Copula-GARCH（Sklar 定理 + Patton 2006 工程化）把问题拆成三层独立零件：GARCH 管各自的波动动态、t 边缘管各自的肥尾、copula 管它们怎么绑在一起。双资产 GARCH-t + t-copula(ν=4) 模拟实测：三个模型的 95% VaR 全部无罪（突破 70/72/75 次，期望 62.5），99% VaR 立刻分层——方差-协方差法突破 29 次（期望 12.5）Kupiec p=6×10⁻⁵ 处决，换 t 边缘（保留高斯 copula）降到 21 次，再换 t-copula 降到 18 次通过。教训：普通日子里所有模型都差不多，深尾层级上边缘肥尾贡献最大改进、尾部依赖贡献最后一截。附完整 Python 与伪均匀量、Kendall τ 校准、copula 自由度估计等工程细节（中阶）。

多元高斯 copula 有一个致命盲点：它假设所有依赖都对称、且上下尾一致。但金融市场最关心的是「危机时大家一起跳水」的下尾联动——这正是高斯 copula 2008 年失灵的根源。Vine Copula 把 D 维依赖拆成一层层二元 copula 的「藤」，每层只处理一对变量（可带条件），于是能用 Clayton 这种擅长下尾的族去刻画危机共跌，又能在不同层用不同族。本文用纯 numpy 从零实现 C-Vine 的 Clayton 采样与 h-函数，在 4 维合成数据上把下尾依赖织到 0.71（理论值 0.707），而同样 Kendall's tau 的高斯 copula 只有 0.40，并用核密度、散点危机区、柱状对比三类真实图说清这件事，最后诚实拆穿「藤结构选择 = 维度爆炸」「参数估计靠成对拟合」「条件采样偏倚」三条最易被忽视的边界（中阶）。

相关性在平静时很好用,一到大跌它就骗你:2008 年雷曼倒下那周,所有资产相关性都飙到 1,分散化保护瞬间蒸发。根因是普通相关系数只测「平均联动」,而危机是尾部事件。极值理论(EVT)用阈值超限 + 广义帕累托分布(GPD)专门建模「极端值」,再用尾部依赖系数 λ 量化「一个资产暴涨/暴跌时,另一个也极端的概率」。本文用 4 万次蒙特卡洛证明:同相关系数 ρ=0.6 下,高斯尾部依赖 λ→0(极端不联动、分散化有效),而 t(ν=4) 尾部依赖 λ≈0.31(极端高度联动、分散化崩溃)——这正是一危机就「什么都一起跌」的数学真相(高阶)。