市场暴跌时，相关系数为什么不够用？从 Copula 看资产的极端联动

传统的相关系数、协方差，衡量的是资产之间一种平均意义上的线性关系。但真实市场里，资产之间的联动往往不是均匀分布的：有些股票，市场上涨时跟涨明显，市场下跌时却相对抗跌，而在极端行情下，原本相关性并不高的资产，也可能突然出现共同下跌。

这些现象的共同原因是，金融资产的收益率通常具有尖峰、厚尾等特征，同时资产之间的依赖关系还可能表现出非线性、非对称性和尾部依赖——相关系数能告诉我们“平均来看有多相关”，却回答不了资产在不同市场状态，特别是极端上涨或极端下跌行情下，是否会表现出不同的联动方式。

这正是 Copula 擅长解决的问题。Copula 不仅可以描述整体依赖关系，通过选择不同类型的 Copula，还可以进一步刻画非对称依赖和尾部联动。针对这一需求，DolphinDB 提供了完整的 Copula 系列函数支持，覆盖模型拟合、随机数生成、概率密度和累积分布计算等主要建模环节，帮助用户在统一的数据与计算环境中完成 Copula 分析。

本文将从 Copula 的基本原理和模型选择讲起，并结合因子挖掘、压力测试和组合风险管理三个实际案例，看看 Copula 如何将“相关性之外”的依赖结构转化为可以用于金融分析和决策的信息。

Copula 是什么

Copula 是一种用来刻画多个随机变量之间依赖结构的统计函数。它的核心作用，是把“资产自身的分布”和“资产之间如何一起变化”分开建模。

每项资产的收益率都有自己的分布特征：有的波动更大，有的收益率更厚尾，有的正负收益并不对称。这部分属于边缘分布（marginal distribution），描述的是每个资产自身的特征。

但投资组合真正关心的，还有另一层信息：不同资产会不会同时出现极端值？涨的时候是不是一起涨？跌的时候是不是一起跌？这部分属于资产之间的依赖结构（dependence structure），而 Copula 正是用来描述这部分关系的。

具体可以理解成三个步骤：

1. 分别估计每项资产的边缘分布，将收益率转换成 0 到 1 之间的分位数，在采用经验分布时，可通过秩变换构造伪观测值；
2. 使用 Copula 函数描述这些分位数之间的联合依赖结构；
3. 完成模型拟合后，可以基于 Copula 计算联合概率等统计特征，或生成具有所拟合依赖结构的随机样本，再通过各变量的逆边缘分布函数将样本映射回原始尺度。

背后的数学基础是 Sklar 定理。对于连续的边缘分布，多维联合分布可以唯一分解为各个边缘分布和一个 Copula 函数。这样做的好处在于，不需要用一个复杂的多元分布同时描述所有资产。可以先分别研究每个资产自身的分布，再选择合适的 Copula 描述资产之间的依赖关系。

更重要的是，这种依赖关系不一定是简单、对称的。有些资产可能在正常行情下相关性一般，但在市场暴跌时突然表现出很强的共同下跌特征；也有些资产可能在上涨行情中的联动更明显。Copula 可以针对这些不同的尾部依赖结构进行建模。

五种 Copula：谁更擅长捕捉尾部依赖？

不同 Copula 对依赖结构的假设不同，尤其是对尾部依赖的处理差异很大。因此，Copula 并不是随机选择，模型选错可能直接影响极端风险的估计。

在需要捕捉尾部依赖的场景中，通常会优先选用 Student t-Copula，或者 Clayton、Gumbel 这类阿基米德 Copula。当然，真实建模时不能只根据业务直觉选模型，还需要结合数据进行参数估计和模型检验。

DolphinDB 从 V3.00.6 起提供了覆盖上述五类模型的内置 Copula 函数体系，并覆盖建模的四个主要环节——copulaFit 系列用于参数拟合，copulaRand 系列用于生成具有指定依赖结构的随机样本，copulaPdf 和 copulaCdf 系列分别用于计算概率密度和累积分布。

下面三个案例中涉及的模型拟合、情景模拟和风险计算，用的都是这套内置接口。

案例一：因子挖掘——构造涨跌依赖因子

大盘极端上涨时，希望股票能够保持较强的上涨联动，而在极端下跌时，又希望这种联动不要同样强烈。围绕这一思路，我们利用 Copula 分别刻画股票与市场的上尾和下尾依赖，并通过截面回归进一步剔除上下尾相关性中的共同信息，将上尾相关系数剔除掉下尾相关系数后的残差作为选股因子。

为了检验这个因子是否真的有效，我们选取 2012 到 2018 年中证全指成分股的历史数据进行了回测。回测部分结果如下：

从结果来看，月度平均 RankIC 为正，年化 ICIR 接近 1，说明在这段回测期内，该因子与未来收益呈现较为稳定的正向关系。

进一步观察月度 RankIC 及累计 RankIC 曲线，可以看到月度 RankIC 整体以正值为主，累计 RankIC 曲线总体呈上升趋势，说明因子的收益区分能力并非完全来自少数单一月份。

月度 RankIC

累计 RankIC 曲线

将股票按照因子值进行分组后，组合收益整体呈现随因子值提高而上升的趋势，高因子组的表现明显优于低因子组，也进一步说明该因子具有较好的横截面区分能力。

因子分组平均收益

在此基础上构建多空组合，多空净值曲线整体呈现上升趋势。虽然期间存在一定波动和回撤，但从整个回测区间来看，策略表现出较为明显的收益趋势。

多空组合净值曲线

多空组合月度收益率

需要注意的是，这些结果只代表历史样本中的回测表现，并不意味着该因子未来一定有效。研报本身也指出，该模型存在未来失效的可能，在极端市场环境下仍可能受到剧烈冲击。因此，在实际投资中还需要进一步进行样本外测试、滚动回测以及不同市场阶段的稳健性检验。

案例二：压力测试——描述非平行的利率冲击

在债券组合的压力测试中，一个常见的简化方法是进行平行移动（parallel shift）：假设整个收益率曲线同时上移或下移一个固定幅度。例如，在收益率曲线整体平行上移 60BP 的压力情景下，假设 2Y、5Y、10Y 等各关键期限收益率均同步上行 60BP。

这种方法计算简单，但现实中的收益率曲线很少会完全平行移动。市场发生冲击时，短端和长端的变化幅度可能不同；国债、国开债和信用债对同一市场冲击的敏感程度也可能不同。换句话说，真正需要模拟的不是“所有利率一起移动多少”，而是：当一个关键期限发生极端变化时，其他期限和其他券种会如何联动？

这正是 Copula 可以发挥作用的地方。

以 10 年期国债收益率上行 60BP 为核心压力情景，可以利用 Copula 模型描述不同期限、不同券种收益率之间的联合依赖结构，进一步模拟其他关键期限和券种在这一压力条件下可能出现的变化。

再结合每只债券在不同关键期限上的关键期限久期（KRD，Key Rate Duration），就可以把收益率曲线的变化进一步映射到债券价格变化，从而得到组合层面的潜在损失。

我们将 KRD-Copula 模型与传统修正久期模型进行比较，结果如下：

从四只债券的结果来看，KRD-Copula 模型的预测误差均低于传统修正久期模型。其中，企业债 D 的误差从 9.98% 降至 1.46%，改善尤为明显。

这背后的原因在于，两种方法对利率变化的假设不同。传统修正久期模型通常基于单一利率变动进行近似，而 KRD-Copula 同时考虑不同关键期限、不同券种之间的联合依赖结构，因此能够更细致地描述压力情景下的收益率变化。

当然，这并不意味着 Copula 在任何压力测试中都一定优于传统方法。最终效果仍然取决于边缘分布拟合、Copula 模型选择、参数稳定性以及压力情景本身的合理性。

案例三：组合风险管理——识别极端行情下的共同风险

最后一个场景更贴近日常的风险管理工作：算组合的 VaR、CVaR 时，如果假设资产之间相互独立，会不会低估真实风险。

我们设计了一个对比实验：使用相同的边缘分布，一组按照资产相互独立的假设生成随机样本，另一组则使用 Student t-Copula 生成具有联合依赖结构的随机样本。

随后，在 95% 置信水平下分别计算组合 VaR 和 CVaR，并使用独立的测试集进行样本外验证。

为了验证实现结果的一致性，我们分别使用 MATLAB、Python 和 DolphinDB 进行计算。

相关系数拟合值三个平台完全一致，自由度和 CVaR 误差的结果也仅存在小数点后第三、四位的细微差异，表明 DolphinDB 的 Copula 建模结果与 MATLAB、Python 等主流工具具有较高的一致性。

独立假设下，CVaR 预测误差约为 0.0038；使用 Copula 后，误差下降至约 0.0002，预测精度得到明显改善。在样本外测试中，独立假设得到的 CVaR 为 0.0217，而 Copula 模型得到的结果为 0.0214。虽然样本外改善幅度没有训练阶段那么明显，但样本外 Copula 的误差仍低于独立模型。

这个结果说明，在当前实验数据和模型设定下，将资产之间的联合依赖结构纳入风险计算，可以使 CVaR 的估计更接近测试集中的实际尾部风险。

更直观地说，如果组合中的资产在极端行情下确实存在共同下跌依赖，而模型却假设它们相互独立，那么组合的尾部风险往往可能被低估。Copula 的价值就在于把这种隐藏在联合分布中的依赖结构纳入模拟，从而生成更符合实际相关性的极端情景。

写在最后

相关系数更像一个晴天工具——市场平稳的时候，它能够告诉我们资产之间大致有多相关。但真正考验一个模型的，往往不是平静的市场，而是那些资产突然一起失守的时刻。

Copula 提供的，是在整体相关性之外进一步刻画资产依赖结构的能力。从选股中的涨跌依赖，到压力测试中的联合冲击，再到 VaR、CVaR 中的尾部风险，这些应用背后关注的其实都是同一个问题：资产之间的依赖关系在不同市场状态，尤其是极端行情中，究竟表现出怎样的特征？

当然，Copula 也不是万能工具。边缘分布拟合、模型选择、参数稳定性以及样本外验证，都会影响最终结果。真正有价值的，是结合具体场景选择合适的模型，并用真实数据持续验证。