Копула

Кумулятивная функция распределения и плотность распределения гауссовой копулы с ρ = 0.4

Ко́пула (Шаблон:Lang-la «соединение, связка») — многомерная функция распределения, определённая на $n$-мерном единичном кубе $[0,1{]}^n$, такая, что каждое её маргинальное распределение равномерно на интервале $[0,1]$.

Теорема Склара

Теорема Склара заключается в следующем: для произвольной двумерной функции распределения $H(x,y)$ с одномерными маргинальными функциями распределения $F(x)=H(x,\mathrm{\infty })$ и $G(y)=H(\mathrm{\infty },y)$ существует копула, такая что

$H(x,y)=C(F(x),G(y)),$

где мы отождествляем распределение $C$ с его функцией распределения. Копула содержит всю информацию о природе зависимости между двумя случайными величинами, которой нет в маргинальных распределениях, но не содержит информации о маргинальных распределениях. В результате информация о маргиналах и информация о зависимости между ними отделяются копулой друг от друга.

Некоторые свойства копулы имеют вид:

$C(u,0)=C(0,v)=0,$

$C(u,1)=u;C(1,v)=v.$

Границы Фреше—Хёфдинга для копулы

Минимальная копула — нижняя граница для всех копул, только в двумерном случае соответствует строго отрицательной корреляции между случайными величинами:

$W(x,y)=\max (0,x+y-1).$

Максимальная копула — верхняя граница для всех копул, соответствует строго положительной корреляции между случайными величинами:

$M(x,y)=\min (x,y).$

Архимедовы копулы

Одна частная простая форма копулы:

$C(x,y)={\mathrm{\Psi }}^{-1}(\mathrm{\Psi }(x)+\mathrm{\Psi }(y)),$

где $\psi$ называется функцией-генератором. Такие копулы называются архимедовыми. Любая функция-генератор, которая удовлетворяет приведённым ниже свойствам, служит основой для правильной копулы:

$\mathrm{\Psi }(1)=0;\underset{x\to 0}{\lim }\mathrm{\Psi }(x)=\mathrm{\infty };{\mathrm{\Psi }}^{\prime }(x)<0;{\mathrm{\Psi }}^{″}(x)>0.$

Копула-произведение, также называемая независимой копулой, — это копула, которая не имеет зависимостей между переменными, её функция плотности всегда равна единице.

$\mathrm{\Psi }(x)=-\ln (x);C(x,y)=xy.$

Копула Клейтона (Clayton):

$\mathrm{\Psi }(x)=x^{\theta }-1;\theta ⩽0;C(x,y)=(x^{\theta }+y^{\theta }-1{)}^{1/\theta }.$

Для $\theta =0$ в копуле Клейтона, случайные величины статистически независимы.

Подход, основанный на функциях-генераторах, может быть распространён для создания многомерных копул при помощи простого добавления переменных.

Эмпирическая копула

При анализе данных с неизвестным распределением, можно построить «эмпирическую копулу» путём такой свёртки, чтобы маргинальные распределения получились равномерными. Математически это можно записать так:

$C_n(\frac{i}{n},\frac{j}{n})=\frac{1}{n}\cdot$ Число пар $(x,y)$ таких что $x\le x_{(i)}\text{ и }y\le y_{(j)},1\le i\le n,1\le j\le n$

где x_(i) —представляет i-ая порядковая статистика x.

Гауссова копула

Гауссовы копулы широко применяются в финансовой сфере. Для n-мерного случая копула представима в виде:

$C[G_1(u_1),...,G_n(u_n)]={\mathrm{\Phi }}_n[{\mathrm{\Phi }}^{-1}(G_1(u_1)),...,{\mathrm{\Phi }}^{-1}(G_n(u_n));{\rho }_{\mathrm{\Phi }}]$,

где:

• $G_i(u_i)$ — частные распределения;
• ${\mathrm{\Phi }}_n$ — n-мерное совместное нормальное распределение с положительно полуопределённой корреляционной матрицей ${\rho }_{\mathrm{\Phi }}$ размерностью $n\times n$;
• ${\mathrm{\Phi }}^{-1}$ — обратная функция гауссовского распределения.

Применения

Примеры двумерных копул, используемых в финансах.

Моделирование зависимостей с помощью копул широко используется применительно к оцениванию финансовых рисков и в страховом анализе — например, для ценообразования обеспеченных долговых обязательств (CDOs). Кроме того, копулы также применялись к другим страховым задачам как гибкий инструмент.

См. также

• Независимость (теория вероятностей)

Литература

• Благовещенский Ю. Н. Основные элементы теории копул // Прикладная эконометрика, № 2 (26), 2012. С. 113—130.
• Clayton David G. A model for association in bivariate life tables and its application in epidemiological studies of familial tendency in chronic disease incidence. — Biometrika. — 1978. — 65. — pp. 141—151. JSTOR (subscription)
• Frees, E. W., Valdez, E. A. Understanding Relationships Using Copulas. — North American Actuarial Journal. — 1998. — 2. — pp. 1-25.
• Nelsen Roger B. An Introduction to Copulas. — Springer, 1999. — 236 p. — ISBN 0-387-98623-5.
• Rachev S., Menn C., Fabozzi F. Fat-Tailed and Skewed Asset Return Distributions. — Wiley, 2005. — 369 p. — ISBN 0-471-71886-6.
• Sklar A. Fonctions de répartition à n dimensions et leures marges. — Publications de l’Institut de Statistique de L’Université de Paris. — 1959. — 8. — pp. 229—231.

Ссылки

• Шаблон:MathWorld
• Примеры генерации копул в Matlab