コピュラの世界へようこそ！

株式市場の暴落と保険請求の急増が同時に起こるような、複数のリスクが連動して発生する仕組みをアクチュアリーがどのようにモデル化しているのか、不思議に思ったことはありませんか？その答えが、この章で扱うコピュラ（Copula）です。

名前を聞いて難しそうだと感じても大丈夫です！コピュラの本質は、個々のリスクを「接着剤」のようにくっつけて、全体としてどのように振る舞うかを表現するための数学的なツールに過ぎません。このノートを読み終える頃には、個々のリスクの挙動と、それらが互いにどのように影響し合っているのかを切り分けて考える方法がマスターできているはずです。

1. 全体像：周辺分布と結合分布

数式に入る前に、例え話をしてみましょう。サンドイッチを作ることを想像してください。
• 周辺分布（Marginal Distributions）は、パン、チーズ、ハムといった「材料」そのものです。それぞれのカロリーや重さなど、個別の性質はわかっています。
• コピュラは、それらをどのように重ね合わせるかを決める「レシピ」や「接着剤」です。つまり、材料間の依存構造（dependence structure）を表すものです。

保険数理の現場では、個々のリスクがどのように振る舞うか（例：交通事故の確率）はわかっていても、それらのリスクがどう連動するかを把握するのが難しいものです。コピュラを使えば、個々の部分（周辺分布）と関係性（コピュラ）を分けてモデル化できるのです。

クイック復習：覚えておくべきポイント

1. 周辺分布（Marginal Distribution）：他の変数を無視した、単一の確率変数の確率分布。
2. 結合分布（Joint Distribution）：2つ以上の変数が同時に発生する様子を表す確率分布。
3. 一様分布（Uniform Distribution）：コピュラは、変数を \( U(0,1) \) の一様分布に変換して扱います。

2. コピュラとは正確には何か？

コピュラとは、すべての周辺分布が [0, 1] 区間の一様分布であるような結合累積分布関数（CDF）のことです。

数学的には、\( d \) 個の変数に対するコピュラ \( C \) は次のような関数です：
\( C(u_1, u_2, ..., u_d) = P(U_1 \le u_1, U_2 \le u_2, ..., U_d \le u_d) \)
ここで、各 \( U_i \) は \( U(0, 1) \) 分布に従います。

なぜ \( U(0,1) \) を使うのか？

豆知識： 累積分布関数 \( F(X) \) を持つ任意の連続確率変数 \( X \) は、そのCDFに値を代入するだけで、一様 \( (0,1) \) 変数に変換できることを知っていましたか？これを確率積分変換（Probability Integral Transform）と呼びます。このテクニックこそが、正規分布や指数分布など、どんなデータであってもコピュラで扱えるようにする「魔法の隠し味」なのです。

3. スクラールの定理：魔法の公式

スクラールの定理（Sklar’s Theorem）は、この章で最も重要な概念です。これは、どのような結合分布関数も、その周辺分布とコピュラを使って書き表せるというものです。

2つの変数 \( X \) と \( Y \) について、結合CDFを \( F(x, y) \)、周辺CDFを \( F_X(x) \) と \( F_Y(y) \) とすると：
\( F(x, y) = C(F_X(x), F_Y(y)) \)

簡単に言うとどういう意味でしょうか？
「\( X \le x \) かつ \( Y \le y \)」となる確率を知りたい場合、以下のステップを踏むだけです。
1. 個々の確率（周辺分布）を求める。
2. それらをコピュラ関数 \( C \) に「当てはめる（プラグインする）」。

重要なポイント： スクラールの定理を使うと、複雑な多変量分布を、「個々の挙動」と「依存構造」という2つの独立したパーツに分解できるのです。

4. コピュラの基本的な性質

有効なコピュラ関数 \( C(u, v) \) は、以下のルールを満たす必要があります。

1. 基底性（Grounding Property）： どちらか一方の確率がゼロなら、結合確率もゼロになります。
\( C(u, 0) = 0 \) および \( C(0, v) = 0 \)
例：雨が降る確率が0%なら、雨が降って傘をなくす確率も0%です。

2. 周辺性（Marginal Property）： 一方の事象が「確実（確率＝1）」であれば、結合確率はもう一方の事象の確率と等しくなります。
\( C(u, 1) = u \) および \( C(1, v) = v \)

3. 単調性（Monotonicity）： 各変数について非減少である必要があります。個々の確率が増加しても、結合確率が下がることはありません。

5. 3つの特別な「境界」コピュラ

必ず知っておくべき3つのコピュラがあります。これらは変数が互いにどのように関連するかという極端なケースを表しています。

A. 独立コピュラ（積コピュラ）

変数の間に全く関係がない場合に使われます。\( X \) と \( Y \) が独立であれば、コピュラは単に確率の積になります。
\( C(u, v) = u \times v \)
覚え方：「独立なら？掛け算するだけ！」

B. 上フレシェ・ヘフディング境界（最小コピュラ）

これは完全な正の依存関係（共単調性）を表します。一方の変数が他方の変数の厳密な増加関数である場合に起こります。
\( C(u, v) = \min(u, v) \)
例え：二人乗り自転車を想像してください。前の人が1メートル進めば、後ろの人も必ず1メートル進みます。完全に同期していますね。

C. 下フレシェ・ヘフディング境界

これは完全な負の依存関係（反単調性）を表します。一方の変数が上がれば、他方の変数は可能な限り下がります。
\( C(u, v) = \max(u + v - 1, 0) \)
例え：シーソーです。一方が一番高い位置にあるとき、もう一方は一番低い位置にあります。

6. よくある間違い

• \( f(x) \) と \( F(x) \) の混同： コピュラは累積分布関数（通常大文字の \( F \)）を使うのであって、確率密度関数（小文字の \( f \)）ではないことを忘れないでください。
• 相関＝コピュラと思い込む： 相関（ピアソンの積率相関係数 \( r \) など）は単なる一つの数値です。しかしコピュラは関数全体です。コピュラは、特に「裾野（テール）」の部分で、より詳細な情報（極端な事象の発生）を捉えることができます。
• 境界を無視する： 計算したコピュラは、必ず下フレシェ・ヘフディング境界と上フレシェ・ヘフディング境界の間に収まらなければなりません。結果が \( \min(u, v) \) を超えていたら、どこかで計算ミスをしています！

7. まとめと最終チェック

第11章の要約：
• 定義： コピュラとは、一様周辺分布を持つ結合CDFである。
• スクラールの定理： \( F(x,y) = C(F_X(x), F_Y(y)) \) により、結合分布と周辺分布を結びつける。
• 重要性： 周辺分布の形状を固定することなく、相互に依存するリスクをモデル化できる。
• 境界： \( \max(u+v-1, 0) \le C(u, v) \le \min(u, v) \)。

今後、クレイトンやガンベルといった特定のコピュラファミリーの数式が出てきても、怖がる必要はありません！それらもすべて、変数をくっつけるための「異なるレシピ」に過ぎないのだと覚えておいてください！