标签： #copula

配对交易教科书告诉你「两资产 Pearson r 高就能配」。但这只是平均意义下的联动——极端行情下它们会分道扬镳（Gaussian），也会一起崩得更狠（t/Clayton）。本文用受控仿真证明：同样 ρ=0.72 的两资产，Gaussian copula 世界里经验尾部相关 λ̂(0.05)=0.407（独立基准=1.0 → 无尾部聚集），Clayton θ=3 里 λ̂(0.05)=0.527，理论极限 λ_L=0.794。在 t-copula 世界跑标准 z-score 策略，最差单笔亏损是 Gaussian 世界的 2.04 倍（-6.97 vs -14.20）；加入尾部感知过滤后最大回撤从 -432% 压缩到 -232%，最差单笔从 -6.97 改善到 -4.07。安慰剂检验显示：Gaussian 世界的有限样本偏差（λ̂=0.407）是 Pearson 聚集效应而非真实尾部相关，打乱时序后 λ̂→0.047；t-copula 自由度 ν 从 3 扫到 60，理论 λ_L 从 0.465 塌向 0.003（ν→∞ 即 Gaussian），与蒙特卡洛标准误曲线完全吻合。要把 λ̂_L 估计到 ±0.05 精度，N=3000 时 Gaussian SE=0.049，N=200 时 SE=0.171——样本量不够时你的「尾部相关」大概率是噪声（中/高阶）。

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）。

相关系数只能刻画「线性同涨同跌」，在危机里会彻底失灵。本文从 Sklar 定理出发，用 Python 实操高斯 Copula 与 t-Copula 的拟合、采样与尾部相依系数计算，揭示为什么股票暴跌时黄金也会跟着跳水——以及高斯 Copula 尾部相依系数为 0 这个致命盲区。

相关系数在危机里会失灵。Copula 把边际分布与相依结构解耦，对比高斯与 t-copula 的尾部相依，量化危机时资产如何联动，并给出更诚实的组合 VaR。