Copula(2)—椭圆类copula
Copula函数的分类
研究中使用最多的 Copula 函数主要有阿基米德 Copula 和椭圆类 Copula。
椭圆copula:优点在于简单性以及在做模拟基于分布的copula时比较方便,但是缺点在于需要对多个参数进行估计。
阿基米德copula:copula函数具有显示表达式,但是进行多元拓展的话是比较麻烦的。
椭圆类copula
椭圆类copula就包含Gaussian copula和student-t copula。本文以两个变量为例,研究变量 X , Y X,Y X,Y的某种关系,利用copula函数估计他们的联合分布。假设 F , G F,G F,G分别是它们的边际分布函数,令 u = F ( x ) , V = G ( y ) u=F(x),V=G(y) u=F(x),V=G(y)
Gaussion copula
Gaussion copula密度函数形式如下:
c ( u , v ) = 1 ∣ R ∣ 1 / 2 e x p − 1 2 ψ ′ ( R − 1 − I 2 ) ψ c(u,v)=\frac{1}{|R|^{1/2}}exp{-\frac{1}{2}\psi'(R^{-1}-I_2)\psi} c(u,v)=∣R∣1/21exp−21ψ′(R−1−I2)ψ
其中 ψ = ( Φ − 1 ( u ) , Φ − 1 ( v ) ) ′ \psi=(\Phi^{-1}(u),\Phi^{-1}(v))' ψ=(Φ−1(u),Φ−1(v))′, Φ \Phi Φ是单变量标准正态分布函数, R R R是变量之间的相关系数矩阵, I 2 I_2 I2是2为单位矩阵。
在两变量的情况下,R矩阵的表达式为:
[ 1 ρ ρ 1 ] \left[ \begin{matrix} 1 & \rho \\ \rho & 1 \\ \end{matrix} \right] [1ρρ1]
下面解释 ρ \rho ρ是什么的线性相关函数
假设 X , Y X,Y X,Y映射到 W , Z W,Z W,Z,那么我们可以得到 N ( w ) = F ( x ) , N ( z ) = G ( y ) N(w)=F(x),N(z)=G(y) N(w)=F(x),N(z)=G(y),将上述的式子进行改写, W = N − 1 ( F ( x ) ) , Z = N − 1 ( G ( y ) ) W=N^{-1}(F(x)),Z=N^{-1}(G(y)) W=N−1(F(x)),Z=N−1(G(y)),这个 ρ \rho ρ表示的就是W,Z的线性相关系数,也是 N − 1 ( F ( x ) ) , N − 1 ( G ( y ) ) N^{-1}(F(x)),N^{-1}(G(y)) N−1(F(x)),N−1(G(y))的线性相关系数
Gaussian copula函数
C ( u , v ) = Φ 2 ( Φ − 1 ( u ) , Φ − 1 ( v ) ) = ∫ − ∞ Φ − 1 ( u ) ∫ − ∞ Φ − 1 ( v ) 1 ∣ R ∣ 1 / 2 e x p − 1 2 ψ ′ ( R − 1 − I 2 ) ψ d v d u C(u,v)=\Phi_2(\Phi^{-1}(u),\Phi^{-1}(v))=\int_{-\infty}^{\Phi^{-1}(u)}\int_{-\infty}^{\Phi^{-1}(v)}\frac{1}{|R|^{1/2}}exp{-\frac{1}{2}\psi'(R^{-1}-I_2)\psi}dvdu C(u,v)=Φ2(Φ−1(u),Φ−1(v))=∫−∞Φ−1(u)∫−∞Φ−1(v)∣R∣1/21exp−21ψ′(R−1−I2)ψdvdu
其中 Φ 2 ( ⋅ , ⋅ ) \Phi_2(\cdot,\cdot) Φ2(⋅,⋅)是双变量的标准Gaussion分布函数
下面我们将二元的Gaussion copula拓展到多元的一个情况
多元Gaussion copula函数
c ( u 1 , u 2 , . . . , u n ; Σ ) = Φ Σ ( Φ − 1 ( u 1 ) , . . . , Φ − 1 ( u n ) ) = ∫ − ∞ Φ − 1 ( u 1 ) . . . ∫ − ∞ Φ − 1 ( u n ) 1 ( 2 π ) d 2 ∣ Σ ∣ 1 / 2 e x p ( − 1 2 W T Σ − 1 W ) d W \begin{aligned} c(u_1,u_2,...,u_n;\Sigma) &=\Phi_\Sigma(\Phi^{-1}(u_1),...,\Phi^{-1}(u_n))\\ &=\int_{-\infty}^{\Phi^{-1}(u_1)}...\int_{-\infty}^{\Phi^{-1}(u_n)}\frac{1}{(2\pi)^{\frac{d}{2}}|\Sigma|^{1/2}}exp(-\frac{1}{2}W^T\Sigma^{-1}W)dW \end{aligned} c(u1,u2,...,un;Σ)=ΦΣ(Φ−1(u1),...,Φ−1(un))=∫−∞Φ−1(u1)...∫−∞Φ−1(un)(2π)2d∣Σ∣1/21exp(−21WTΣ−1W)dW
多元Gaussion copula密度函数
c ( u 1 , u 2 , . . . , u n ; Σ ) = ∂ C ( u 1 , u 2 , . . . , u n ; Σ ) ∂ u 1 . . . ∂ u n = 1 ∣ Σ ∣ 1 / 2 e x p { − 1 2 [ Φ − 1 ( u 1 ) , . . . , Φ − 1 ( u n ) ] Σ − 1 ( Φ − 1 ( u 1 ) . . . Φ − 1 ( u n ) ) + 1 2 ∑ i = 1 n ( Φ − 1 ( u i ) ) 2 } \begin{aligned} c(u_1,u_2,...,u_n;\Sigma) &=\frac{\partial C(u_1,u_2,...,u_n;\Sigma)}{\partial u_1 ... \partial u_n} \\ &=\frac{1}{|\Sigma|^{1/2}}exp\{-\frac{1}{2}[\Phi^{-1}(u_1),...,\Phi^{-1}(u_n)]\Sigma^{-1}\begin{pmatrix}\Phi^{-1}(u_1) \\ ... \\ \Phi^{-1}(u_n)\end{pmatrix}+ \frac{1}{2}\sum_{i=1}^n(\Phi^{-1}(u_i))^2\} \end{aligned} c(u1,u2,...,un;Σ)=∂u1...∂un∂C(u1,u2,...,un;Σ)=∣Σ∣1/21exp{−21[Φ−1(u1),...,Φ−1(un)]Σ−1
Φ−1(u1)...Φ−1(un)
+21i=1∑n(Φ−1(ui))2}
后续给出Gaussion copula函数下,关于原始变量的秩相关系数以及尾部相依性的表达式:
K e n d a l l 秩相关系数 : τ = 2 p i arcsin ( ρ ) S p e a r m a n 秩相关系数 : ϱ = 2 π arcsin ( ρ 2 ) 上下尾相依系数 : λ u = λ l = 0 Kendall秩相关系数:\tau=\frac{2}{pi}\arcsin(\rho) \\ Spearman秩相关系数:\varrho=\frac{2}{\pi}\arcsin(\frac{\rho}{2}) \\ 上下尾相依系数:\lambda_u=\lambda_l=0 Kendall秩相关系数:τ=pi2arcsin(ρ)Spearman秩相关系数:ϱ=π2arcsin(2ρ)上下尾相依系数:λu=λl=0
因此Gaussion copula函数无法研究变量之间的尾部相依性。
student-t copula
student-t函数的密度函数
c ρ , n ( u , v ) = 1 ∣ R ∣ Γ ( n + 2 2 ) Γ ( n 2 ) Γ ( n + 1 2 ) 2 ( 1 + 1 n ψ ′ R − 1 ψ ) − n + 2 2 ∏ i = 1 2 ( 1 + 1 n ψ i 2 ) − n + 1 2 c_{\rho,n}(u,v)=\frac{1}{\sqrt{|R|}}\frac{\Gamma(\frac{n+2}{2})\Gamma(\frac{n}{2})}{\Gamma(\frac{n+1}{2})^2} \frac{(1+\frac{1}{n}\psi'R^{-1}\psi)^{-\frac{n+2}{2}}}{\prod_{i=1}^2(1+\frac{1}{n}\psi^2_i)^{-\frac{n+1}{2}}} cρ,n(u,v)=∣R∣1Γ(2n+1)2Γ(2n+2)Γ(2n)∏i=12(1+n1ψi2)−2n+1(1+n1ψ′R−1ψ)−2n+2
其中 ψ = ( t n − 1 ( u ) , t n − 1 ( v ) ) ′ \psi=(t_n^{-1}(u),t_n^{-1}(v))' ψ=(tn−1(u),tn−1(v))′, t n t_n tn是单变量的自由度为n的student-t分布,R是变量之间的线性相关系数矩阵。
在student-t分布中,需要待估的参数为相关系数矩阵以及自由参数。
student-t函数
C ρ , n ( u , v ) = t ρ , n ( t n − 1 ( u ) , t n − 1 ( u ) ) = ∫ − ∞ t n − 1 ( u ) ∫ − ∞ t n − 1 ( v ) Γ ( n + 2 2 ) Γ ( n 2 ) π n 1 − ρ 2 ( 1 + ψ ′ R − 1 ψ n ) − n + 1 2 \begin{aligned} C_{\rho,n}(u,v)&=t_{\rho,n}(t_n^{-1}(u),t_n^{-1}(u)) \\ &= \int_{-\infty}^{t_n^{-1}(u)}\int_{-\infty}^{t_n^{-1}(v)}\frac{\Gamma(\frac{n+2}{2})}{\Gamma(\frac{n}{2})\pi n\sqrt{1-\rho^2}}(1+\frac{\psi'R^{-1}\psi}{n})^{-\frac{n+1}{2}} \end{aligned} Cρ,n(u,v)=tρ,n(tn−1(u),tn−1(u))=∫−∞tn−1(u)∫−∞tn−1(v)Γ(2n)πn1−ρ2Γ(2n+2)(1+nψ′R−1ψ)−2n+1
同样的,将student-t copula延申到多元的情况,我们得到
student-t copula分布函数
c ( u 1 , u 2 , . . . , u d ; Σ , v ) = T σ , v ( T v − 1 ( u 1 ) , . . . , T v − 1 ( u d ) ) = ∫ − ∞ T v − 1 ( u 1 ) . . . ∫ − ∞ T v − 1 ( u d ) Γ ( v + d 2 ) Γ v 2 ( π v ) d 2 ∣ Σ ∣ 1 2 ( 1 + W T Σ − 1 W v ) − v + d 2 d W \begin{aligned} c(u_1,u_2,...,u_d;\Sigma,v) &=T_{\sigma,v}(T^{-1}_v(u_1),...,T^{-1}_v(u_d))\\ &=\int_{-\infty}^{T^{-1}_v(u_1)}...\int_{-\infty}^{T^{-1}_v(u_d)}\frac{\Gamma(\frac{v+d}{2})}{\Gamma{\frac{v}{2}}(\pi v)^{\frac{d}{2}}|\Sigma|^{\frac{1}{2}}}(1+\frac{W^T\Sigma^{-1}W}{v})^{-\frac{v+d}{2}}dW \end{aligned} c(u1,u2,...,ud;Σ,v)=Tσ,v(Tv−1(u1),...,Tv−1(ud))=∫−∞Tv−1(u1)...∫−∞Tv−1(ud)Γ2v(πv)2d∣Σ∣21Γ(2v+d)(1+vWTΣ−1W)−2v+ddW
阿基米德copula
在本文中,我们主要介绍三种阿基米德copula:Frank copula,Clayton copula,Gumbel copula
在双变量情况下,阿基米德copula表示形式为:
C ( u , v ) = ψ − 1 ( ψ ( u ) + ψ ( v ) ) C(u,v)=\psi^{-1}(\psi(u)+\psi(v)) C(u,v)=ψ−1(ψ(u)+ψ(v))
其中, ψ : [ 0 , 1 ] → [ 0 , ∞ ] \psi:[0,1]\rightarrow[0,\infty] ψ:[0,1]→[0,∞],为连续且严格单调递减的凸函数, ψ 1 = 0 \psi^{1}=0 ψ1=0,称为copula的生成函数,在 ψ − 1 \psi^{-1} ψ−1满足二次连续可导的条件下,其密度函数为
c ( u , v ) = ψ ′ ′ − 1 ( ψ ( u ) + ψ ( v ) ) ψ ′ − 1 ( ψ ′ ( u ) ) ψ ′ − 1 ( ψ ′ ( v ) ) c(u,v)=\frac{\psi''^{-1}(\psi(u)+\psi(v))}{\psi'^{-1}(\psi'(u))\psi'^{-1}(\psi'(v))} c(u,v)=ψ′−1(ψ′(u))ψ′−1(ψ′(v))ψ′′−1(ψ(u)+ψ(v))
Frank copula
当 ψ ( t ) = l o g ( e − θ − 1 ) − l o g ( e − θ t − 1 ) \psi(t)=log(e^{-\theta}-1)-log(e^{-\theta t}-1) ψ(t)=log(e−θ−1)−log(e−θt−1)时,其中待估参数 θ ≠ 0 \theta\neq 0 θ=0,我们可以得到Frank copula以及其密度函数
F r a n k c o p u l a : C θ ( u , v ) = − 1 θ ( 1 + ( e − θ u − 1 ) ( e − θ v − 1 ) e − θ − 1 ) F r a n k c o p u l a 密度函数 : c θ ( u , v ) = θ ( 1 − e − θ ) e − θ ( u + v ) [ ( 1 − e − θ ) − ( 1 − e − θ u ) ( 1 − e − θ v ) ] 2 Frank\ copula :C_{\theta}(u,v)=-\frac{1}{\theta}(1+\frac{(e^{-\theta u}-1)(e^{-\theta v}-1)}{e^{-\theta}-1})\\ Frank\ copula密度函数: c_{\theta}(u,v)=\frac{\theta(1-e^{-\theta})e^{-\theta(u+v)}}{[(1-e^{-\theta})-(1-e^{-\theta u})(1-e^{-\theta v})]^2} Frank copula:Cθ(u,v)=−θ1(1+e−θ−1(e−θu−1)(e−θv−1))Frank copula密度函数:cθ(u,v)=[(1−e−θ)−(1−e−θu)(1−e−θv)]2θ(1−e−θ)e−θ(u+v)
原始变量的秩相关系数以及尾部相依性的表达式为:
K e n d a l l 秩相关系数 : τ = 1 − 4 1 − D 1 ( θ ) θ S p e a r m a n 秩相关系数 : ϱ = 1 − 12 D 1 ( θ ) − D 2 ( θ ) θ Kendall秩相关系数:\tau=1-4\frac{1-D_1(\theta)}{\theta} \\ Spearman秩相关系数:\varrho=1-12\frac{D_1(\theta)-D_2(\theta)}{\theta} \\ Kendall秩相关系数:τ=1−4θ1−D1(θ)Spearman秩相关系数:ϱ=1−12θD1(θ)−D2(θ)
其中,
D k ( x ) = { k x k ∫ 0 x t k e t − 1 d t , i f x ≥ 0 k ∣ x ∣ 1 + k + k ∣ x ∣ k ∫ x 0 t k e t − 1 d t , i f x < 0 D_k(x)= \begin{cases} \frac{k}{x^k}\int_0^x\frac{t^k}{e^t-1}dt,\ if x \ge 0 \\ \frac{k|x|}{1+k}+\frac{k}{|x|^k}\int_x^0\frac{t^k}{e^t-1}dt,\ if \ x < 0 \end{cases} Dk(x)={xkk∫0xet−1tkdt, ifx≥01+kk∣x∣+∣x∣kk∫x0et−1tkdt, if x<0
对于Frank copula的上、下尾相依系数的计算,发现其上、下尾相依系数都为0。表明Frank copula尾部相依性是对称的且渐进独立的。
Clayton copula
当 ψ ( t ) = ( t − θ − 1 ) / θ \psi(t)=(t^{-\theta}-1)/\theta ψ(t)=(t−θ−1)/θ,其中 θ ∈ ( 0 , ∞ ) \theta \in (0,\infty) θ∈(0,∞),则Clayton copula以及其密度函数为:
C l a y t o n c o p u l a C θ ( u , v ) = ( u − θ + v − θ − 1 ) − 1 / θ C l a y t o n c o p u l a 密度函数 c θ ( u , v ) = ( 1 + θ ) ( u v ) − θ − 1 ( u − θ + v − θ − 1 ) − 2 − 1 / θ Clayton \ copula \ C_{\theta}(u,v)=(u^{-\theta}+v^{-\theta}-1)^{-1/\theta} \\ Clayton \ copula \ 密度函数 \ c_{\theta}(u,v)=(1+\theta)(uv)^{-\theta-1}(u^{-\theta}+v^{-\theta}-1)^{-2-1/\theta} Clayton copula Cθ(u,v)=(u−θ+v−θ−1)−1/θClayton copula 密度函数 cθ(u,v)=(1+θ)(uv)−θ−1(u−θ+v−θ−1)−2−1/θ
原始变量的秩相关系数以及尾部相依性的表达式为:
K e n d a l l 秩相关系数 : τ = θ θ + 2 上尾相依系数: λ u = 0 下尾相依系数: λ l = 2 − 1 θ Kendall秩相关系数:\tau = \frac{\theta}{\theta+2} 上尾相依系数:\lambda_u=0 \\ 下尾相依系数:\lambda_l=2^{-\frac{1}{\theta}} Kendall秩相关系数:τ=θ+2θ上尾相依系数:λu=0下尾相依系数:λl=2−θ1
因为带估参数大于0,所以Clayton copula不允许负相依性。从上、下尾相依系数可以看出,Clayton Copula呈现出强的下尾相依性,而上尾相依性渐进独立。
Clayton copula函数被广泛应用在保险和风险管理领域,刻画金融市场熊市期间的下尾相依性。
Gumbel copula
当 ϕ ( t ) = ( − log t ) θ \phi(t)=(-\log t)^{\theta} ϕ(t)=(−logt)θ,其中待估参数 θ ∈ [ 1 , ∞ ) \theta \in [1,\infty) θ∈[1,∞),则Gumbel copula以及其密度函数为:
G u m b e l c o p u l a : C θ ( u , v ) = e x p − [ ( − l o g u ) θ + ( − l o g v ) θ ] 1 / θ G u m b e l c o p u l a 密度函数 : c θ ( u , v ) = C θ ( u , v ) [ l o g u ∗ l o g v ] θ − 1 u v [ ( − l o g u ) θ + ( − l o g v ) θ ] 2 − 1 / θ ∗ − [ ( − l o g u ) θ + ( − l o g v ) θ ] 1 / θ + θ − 1 Gumbel\ copula: C_{\theta}(u,v)=exp{-[(-log u)^{\theta}+(-log v)^{\theta}]^{1/\theta}} \\ Gumbel\ copula密度函数: c_{\theta}(u,v)=\frac{C_{\theta}(u,v)[log u * log v]^{\theta-1}}{uv[(-log u)^{\theta}+(-log v)^{\theta}]^{2-1/\theta}}*{-[(-log u)^{\theta}+(-log v)^{\theta}]^{1/\theta}+\theta-1} Gumbel copula:Cθ(u,v)=exp−[(−logu)θ+(−logv)θ]1/θGumbel copula密度函数:cθ(u,v)=uv[(−logu)θ+(−logv)θ]2−1/θCθ(u,v)[logu∗logv]θ−1∗−[(−logu)θ+(−logv)θ]1/θ+θ−1
原始变量的秩相关系数以及尾部相依性的表达式为:
K e n d a l l 秩相关系数 : τ = 1 − 1 θ 上尾相依系数: λ u = 2 − 2 1 θ 下尾相依系数: λ l = 0 Kendall秩相关系数:\tau = 1-\frac{1}{\theta}\\ 上尾相依系数:\lambda_u=2-2^{\frac{1}{\theta}} \\ 下尾相依系数:\lambda_l=0 Kendall秩相关系数:τ=1−θ1上尾相依系数:λu=2−2θ1下尾相依系数:λl=0
因为待估参数大于等于1,因此Gumbel copula不允许负相依性。从上、下尾相依系数可以看出,Gumbel copula呈现出强的上尾相依性,而下尾相依性渐进独立。
Gumbel Copula函数常用于刻画在“牛市”时期金融市场之间的上尾相依性。