Vine Copula 依赖建模：用层级藤把高维尾部联动拆成条件二元对 • halo 的技术博客

你有一篮子资产，想知道「当第一支暴跌时，其他几支有多大概率跟着跌」。这听起来是个相关性问题，但传统的多元高斯 copula 会给你一个错误又危险的答案。

2008 年金融危机里，大量结构化产品用高斯 copula 给 CDO 定价，结果在危机来临时相关性「瞬间发散」——所有资产一起跳水，而高斯 copula 假设的上/下尾对称让它根本没把这种下尾联动量化进去。教训很清楚：能刻画尾部依赖的模型，在风险管理里不是锦上添花，是保命。

Vine Copula（藤 Copula） 是绕开这个盲点的主流解法：它不强行用一个 D 维 copula 套住所有变量，而是把高维依赖拆成一棵「藤」，每一层只处理一对变量的条件依赖。于是你可以在某一对用 Clayton（下尾强）、另一对用 Gumbel（上尾强）、再一对用高斯（对称），把结构拼回 D 维联合分布。

本文用纯 numpy 从零实现 C-Vine（以某一变量为根的藤），把 4 个资产的下尾依赖织到 0.71，而同等 Kendall’s tau 的高斯 copula 只有 0.40。

一、为什么高斯 copula 在危机里失灵#

多元高斯 copula 把所有变量的依赖压缩成一个线性相关矩阵 $\rho$ 。它的对称性意味着：上尾（大涨）和下尾（大跌）的依赖程度一模一样。但真实市场是非对称的——

平静时各资产各走各的（相关性低）；
危机时恐慌传染，所有资产一起跌（下尾依赖极高）。

高斯 copula 用一个对称椭圆去近似，于是它系统性地低估了下尾、高估了上尾。

而 Clayton copula 天生偏向下尾：它的下尾依赖 $\lambda_L$ 是显式的、且 $\lambda_L>0$ （高斯 copula 的 $\lambda_L=0$ ）。数学上，二元 Clayton：

$C(u,v;\theta) = \big(u^{-\theta} + v^{-\theta} - 1\big)^{-1/\theta},\quad \theta>0$

它的 Kendall’s tau 与参数关系干净： $\tau = \theta/(\theta+2)$ ；下尾依赖 $\lambda_L = 2^{-1/\theta}$ 。把 $\theta=2$ 代进去，得到 $\tau=0.5$ 、 $\lambda_L=2^{-1/2}\approx 0.707$ 。

问题来了：Clayton 只能建二元对。4 个资产要怎么织？这就是 Vine 的舞台。

二、Vine 的核心思想：把高维拆成二元藤#

一个 D 维 copula 的联合密度可以写成一串条件二元密度的连乘（pair-copula construction，Aas et al. 2009）：

$f(u_1,\dots,u_D) = \prod_{k=1}^{D-1}\prod_{j=1}^{D-k} c_{j,j+k|1,\dots,j-1}\big(C_{j|1,\dots,j-1},\, C_{j+k|1,\dots,j-1}\big)$

翻译一下：把变量一个个「挂」到藤上，每一对（可能以更早的变量为条件）都用自己最合适的二元 copula。以 C-Vine（根变量 = 1） 为例，4 个变量的三层藤是：

Tree 1： $(1,2),\ (1,3),\ (1,4)$ —— 所有边都直接以 $X_1$ 为根；
Tree 2： $(2,3|1),\ (2,4|1)$ —— 以 $X_1$ 为条件；
Tree 3： $(3,4|1,2)$ —— 以 $X_1,X_2$ 为条件。

每层的条件变量是「藤上更高的节点」，越往下条件越多。

C-Vine 结构: 三层二元藤：Tree1 全部以 X1 为根，Tree2 以 X1 为条件，Tree3 以 X1,X2 为条件。每个条件二元对都是一棵小树

关键好处：每一层都可以用不同的 copula 族。想让某对危机里共跌？挂 Clayton。想让某对大涨时联动？挂 Gumbel。想让某对平时就强相关？挂高斯。Vine 把「选族」的自由度还给了你。

三、从零实现：Clayton 的 h-函数与逆（采样的关键）#

要从 Vine 里采样，需要一对互逆的条件 CDF（h-函数）工具。对二元 Clayton， $h$ 是把「联合概率」投影到「以某一变量为条件」的边际：

$h(u_{\text{cond}}, u_{\text{other}};\theta) = \frac{\partial C}{\partial u_{\text{cond}}} = u_{\text{cond}}^{-\theta-1}\big(u_{\text{cond}}^{-\theta}+u_{\text{other}}^{-\theta}-1\big)^{-(\theta+1)/\theta}$

它的逆 $h^{-1}$ 有解析解（Aas et al. 2009，直接照抄即用）：

$h^{-1}(w, u_{\text{cond}};\theta) = \Big(1 + u_{\text{cond}}^{-\theta}\big(w^{-\theta/(\theta+1)}-1\big)\Big)^{-1/\theta}$

下面这段是本文全部数值实验的引擎，纯 numpy，无外部依赖：

import numpy as np

def clayton_cdf(u, v, th):
    z = np.clip(u ** (-th) + v ** (-th) - 1.0, 1e-12, None)
    return np.power(z, -1.0 / th)

def clayton_h(u_cond, u_other, th):
    """h = dC/du_cond = P(U_other <= u_other | U_cond = u_cond)"""
    z = np.clip(u_cond ** (-th) + u_other ** (-th) - 1.0, 1e-12, None)
    return u_cond ** (-th - 1.0) * np.power(z, -(th + 1.0) / th)

def clayton_hinv(w, u_cond, th):
    """给定 w = h(u_other|u_cond), 解析反解 u_other"""
    w = np.clip(w, 1e-6, 1 - 1e-6)
    inner = 1.0 + u_cond ** (-th) * (np.power(w, -th / (th + 1.0)) - 1.0)
    return np.power(np.clip(inner, 1e-12, None), -1.0 / th)

python

一致性自检（务必做，否则采样会悄悄出错）：clayton_h(u_cond, clayton_hinv(w, u_cond), th) 必须等于 w。我用三组随机数验证 allclose(atol=1e-6) 通过——这一步别省，手写反演代数极易符号错位。

四、C-Vine 逆 Rosenblatt 采样（纯 numpy）#

采样思路是 Rosenblatt 逆变换：先抽独立均匀噪声 $v_1,\dots,v_D$ ，再从根变量起逐层反解 $u_i$ ，使得「前向 h-级联」恰好等于 $v_i$ 。对任意树结构都正确的通用做法是「前向算 h-级联 → 二分反解 $u_i$ 」，不用手写每层的反演代数：

def forward_cascade(u_i, i, Us):
    """返回 h_{1,i|...}(u_i | u_1..u_{i-1}) 的前向 h-级联值 (i 从 1 起)"""
    if i == 1: return Us[0]
    if i == 2: return clayton_h(Us[0], u_i, TH)                 # h12(u2|u1)
    if i == 3:                                                  # h23|1(h13(u3|u1)|h12(u2|u1))
        a2 = clayton_h(Us[0], Us[1], TH)
        a3 = clayton_h(Us[0], u_i, TH)
        return clayton_h(a2, a3, TH)
    if i == 4:                                                  # h34|12(h24|1|h23|1)
        a2 = clayton_h(Us[0], Us[1], TH); a3 = clayton_h(Us[0], Us[2], TH)
        b3 = clayton_h(a2, a3, TH)
        a4 = clayton_h(Us[0], u_i, TH); b4 = clayton_h(a2, a4, TH)
        return clayton_h(b3, b4, TH)

def cvine_sample(n, th=2.0):
    v = np.random.rand(n, 4)                 # 独立均匀噪声
    u = np.zeros((n, 4)); u[:, 0] = v[:, 0]  # u1 = v1
    for i in (1, 2, 3):                      # 逐变量反解 u2,u3,u4
        w = v[:, i]; lo = np.full(n, 1e-6); hi = np.full(n, 1 - 1e-6)
        for _ in range(40):                  # 二分反解 u_i 使 forward_cascade = w
            mid = 0.5 * (lo + hi)
            f = forward_cascade(mid, i + 1, [u[:, 0], u[:, 1], u[:, 2]][:i])
            hi = np.where(f < w, hi, mid); lo = np.where(f < w, mid, lo)
        u[:, i] = 0.5 * (lo + hi)
    return np.clip(u, 1e-6, 1 - 1e-6)

python

跑 cvine_sample(80000) 后，验证两件事：① 每个边缘都应是 Uniform(0,1)（均值≈0.5，实测通过）；② 下尾依赖应逼近理论值。下面这张密度图直观说明为什么 Clayton 能织出危机共跌——它的概率质量堆积在左下角（两个变量同时很小），而高斯 copula 的密度是对称椭圆：

Clayton(theta=2) 二元密度: 左下尾集中 vs 高斯(rho=0.71) 密度: 对称椭圆。左下角聚集正是下尾依赖的来源

五、实测：Vine 把下尾依赖织到 0.71，高斯只有 0.40#

我生成两组 4 维样本：一组走 C-Vine（每层 Clayton， $\theta=2$ ）；另一组走高斯 copula，但其线性相关 $\rho=\sin(\pi\tau/2)=\sin(\pi/4)\approx 0.707$ ，保证两者的 Kendall’s tau 完全相同（都是 0.5），这样对比才公平。

下尾依赖定义： $\lambda_L(i,1) = P(U_i < 0.05 \mid U_1 < 0.05)$ ，用 5% 分位作为「危机区」。实测结果：

变量对	C-Vine (Clayton)	高斯 Copula
$(1,2)$	0.717	0.389
$(1,3)$	0.713	0.409
$(1,4)$	0.719	0.399

理论下尾依赖 $2^{-1/2} = 0.707$ ，C-Vine 三对全部贴近（误差来自采样）。而同等 Kendall’s tau 的高斯 copula 只有约 0.4，且理论上它的 $\lambda_L$ 应为 0——这里测到的 0.4 完全是 5% 矩形里的有限样本联合概率，不是真正的尾部依赖，但已足够说明它远低于 Vine。

下尾依赖: Vine 让资产危机中共跌(0.71), 高斯 copula 几乎为 0(约0.40)。柱越高表示「第一支跌时另一支跟着跌」的概率越大

散点图更直白：Vine 样本的 $(U_1,U_4)$ 在左下角明显聚集（危机区实线框内点密），高斯 copula 则均匀铺开、左下角无超额聚集。

Vine (U1,U4): 左下角危机区聚集 vs 高斯 Copula: 下尾无聚集。两张散点图同样 4000 点，危机区框(0,0)-(0.05,0.05)内 Vine 明显更密

这就把文章开头那句话落了地：高斯 copula 在危机里失灵，不是因为它「算错了相关性」，而是它的对称性让它根本没能力表达「只跌不涨」的尾部联动。Vine + Clayton 补齐了这块。

六、怎么用到实盘风险管理#

把上面的 $U_i$ 换成各资产收益的秩变换（或经 GARCH 过滤后的标准化残差的 CDF）： $u_i = F_i(r_i)$ 。然后用 Vine 拟合：

选结构：C-Vine 根变量通常选「系统性因子最强」的那个（如沪深300、或市值最大的成分股），R-Vine 更灵活但搜索空间大；
选族 + 估参：每条边独立做「两两拟合 → 选族（AIC）→ 估参」，得到每对的条件 Kendall’s tau；
算联合 VaR / 组合压力测试：从拟合好的 Vine 采样一万个情景，直接数「组合跌幅 > x%」的频率，比用多元正态假设得到的 VaR 在危机里稳健得多；
CoVaR / 系统性风险：固定某机构 $i$ 处于危机分位，看条件分布下整个组合的其他部分会跌多少。

一句话：Vine 给你的不是「相关性是多少」一个数字，而是一棵能回答「谁在什么时候拖谁下水」的依赖树。

七、诚实的边界（最易踩的坑）#

藤结构选择 = 维度灾难的真身。D 个变量，R-Vine 的可能结构数是超指数级的。实务上要么用启发式（按 Kendall’s tau 绝对值贪心选边），要么锁 C-Vine/D-Vine。结构选错，族选得再对也救不回来。
参数估计是「成对」的，不是联合的。Vine 的优雅在于每对边独立拟合，但条件变量的「条件值」本身也来自估计，误差会沿藤向下传播。样本不够时，深层边的参数会非常不稳定。
条件采样偏倚。本文用二分反解做逆 Rosenblatt，偏倚可控；但若你用「直接套现成 h-逆代数」且某层族换了（比如改成 Gumbel），那个解析逆就完全不对了——必须针对每个族重新推导 $h$ 和 $h^{-1}$ 。这就是我坚持用「前向级联 + 二分反解」通用写法的原因：换族不用重写反演。
高斯 copula 并非一无是处。当你的真实依赖确实对称（比如一串高度相关的同质 ETF），硬上 Clayton 反而引入虚假下尾。族的选择要由数据（上下尾依赖的经验估计）说了算，别先入为主。

八、完整可复现：从数据到图#

把下面整段保存为 vine_demo.py 即可跑出本文全部数字（依赖仅 numpy + scipy.stats，图用 matplotlib）。核心是第三节的 clayton_h / clayton_hinv 与第四节的 cvine_sample，再接一个下尾依赖估计：

import numpy as np
from scipy.stats import norm

TH = 2.0
# ... 粘贴上文 clayton_cdf / clayton_h / clayton_hinv / forward_cascade / cvine_sample ...

def gaussian_copula_sample(rho, n):
    cov = rho * np.ones((4, 4)) + (1 - rho) * np.eye(4)
    L = np.linalg.cholesky(cov)
    return norm.cdf(np.random.randn(n, 4) @ L.T)

def lower_tail(U, q=0.05):
    mask = U[:, 0] < q
    return {i: np.mean(U[mask, i] < q) for i in (1, 2, 3)}

uv = cvine_sample(80000, TH)
rho = np.sin(np.pi * (TH / (TH + 2.0)) / 2.0)   # 让两者 Kendall's tau 相同
ug = gaussian_copula_sample(rho, 80000)
print("C-Vine 下尾依赖:", lower_tail(uv))
print("高斯 copula 下尾依赖:", lower_tail(ug))
print("理论 2^{-1/2} =", 2 ** (-1.0 / TH))

python

跑出来你会看到 C-Vine 三对 ≈ 0.71、高斯 ≈ 0.40、理论 0.707——和本文数字一致。这才是 Vine Copula 真正比高斯 copula 强的地方：它把「危机共跌」从一句经验之谈，变成了可以量化、可以采样、可以进 VaR 模型的尾巴。