Introduction to copulas

ยินดีต้อนรับสู่โลกของ Copulas!

หากคุณเคยสงสัยว่านักคณิตศาสตร์ประกันภัยสร้างโมเดลความเสี่ยงสองอย่างหรือมากกว่าที่ดูเหมือนจะเกิดขึ้นพร้อมกันได้อย่างไร—เช่น วิกฤตการณ์ตลาดหุ้นที่เกิดขึ้นพร้อมกับการพุ่งสูงขึ้นของยอดเคลมประกันภัย—คุณมาถูกที่แล้วครับ ในบทนี้เราจะมาสำรวจเรื่อง Copulas กัน

ไม่ต้องกังวลถ้าชื่อนี้ฟังดูแปลกหู! โดยเนื้อแท้แล้ว Copula ก็คือ "กาว" ทางคณิตศาสตร์ที่ทำหน้าที่ยึดความเสี่ยงแต่ละอย่างเข้าด้วยกัน เพื่อแสดงให้เห็นว่าพวกมันแสดงพฤติกรรมอย่างไรเมื่อรวมกันเป็นกลุ่ม เมื่อจบเนื้อหานี้ คุณจะเข้าใจวิธีแยกแยะพฤติกรรมของความเสี่ยงแต่ละตัวออกจากวิธีที่พวกมันมีปฏิสัมพันธ์ต่อกันและกัน

1. แนวคิดหลัก: การแจกแจงแบบ Marginal เทียบกับ Joint Distribution

ก่อนที่เราจะเข้าสู่คณิตศาสตร์ ลองมาดูการเปรียบเทียบง่ายๆ กันครับ สมมติว่าคุณกำลังทำแซนด์วิช
• Marginal Distributions (การแจกแจงแบบ Marginal): คือส่วนประกอบของคุณ ได้แก่ ขนมปัง ชีส และแฮม คุณรู้อยู่แล้วว่าแต่ละอย่างมีคุณสมบัติอย่างไร (เช่น แคลอรีเท่าไหร่, น้ำหนักเท่าไหร่)
• Copula: คือ "สูตรอาหาร" หรือ "กาว" ที่ตัดสินใจว่าคุณจะวางซ้อนส่วนประกอบเหล่านั้นอย่างไร มันอธิบายถึง โครงสร้างความสัมพันธ์ (dependence structure) ระหว่างส่วนประกอบเหล่านั้นนั่นเอง

ในการทำงานด้านคณิตศาสตร์ประกันภัย เรามักจะทราบว่าความเสี่ยงแต่ละอย่างมีพฤติกรรมอย่างไร (เช่น โอกาสเกิดอุบัติเหตุทางรถยนต์) แต่ส่วนที่ยากคือการรู้ว่าความเสี่ยงเหล่านั้นเคลื่อนไหวไปพร้อมๆ กันอย่างไร Copulas ช่วยให้เราสามารถสร้างโมเดลของส่วนประกอบแต่ละส่วน (Marginals) และความสัมพันธ์ (Copula) แยกออกจากกันได้

ทบทวนสั้นๆ: สิ่งที่คุณต้องจำ

1. Marginal Distribution: การแจกแจงความน่าจะเป็นของตัวแปรสุ่มตัวเดียว โดยไม่ต้องสนใจตัวแปรอื่น
2. Joint Distribution: การแจกแจงความน่าจะเป็นที่อธิบายถึงตัวแปรสองตัวหรือมากกว่าที่เกิดขึ้นในเวลาเดียวกัน
3. Uniform Distribution: Copulas จะทำงานกับตัวแปรที่ถูกแปลงให้อยู่ในรูปของการแจกแจง Uniform \( (0,1) \) เป็นพิเศษ

2. Copula คืออะไรกันแน่?

Copula คือ ฟังก์ชันการแจกแจงสะสมร่วม (joint cumulative distribution function หรือ CDF) ที่มี Marginal Distribution ทุกตัวเป็น การแจกแจงแบบ Uniform ในช่วง [0, 1]

ในทางคณิตศาสตร์ สำหรับตัวแปรจำนวน \( d \) ตัว Copula คือฟังก์ชัน \( C \):
\( C(u_1, u_2, ..., u_d) = P(U_1 \le u_1, U_2 \le u_2, ..., U_d \le u_d) \)
โดยที่แต่ละ \( U_i \) มีการแจกแจงแบบ \( U(0, 1) \)

ทำไมเราต้องใช้ \( U(0,1) \)?

คุณทราบหรือไม่? ตัวแปรสุ่มต่อเนื่อง \( X \) ใดๆ ที่มี CDF เป็น \( F(X) \) สามารถถูกแปลงให้กลายเป็นตัวแปร Uniform \( (0,1) \) ได้ง่ายๆ เพียงแค่นำมันไปใส่ใน CDF ของตัวมันเอง! กระบวนการนี้เรียกว่า Probability Integral Transform เคล็ดลับนี้คือ "ซอสลับ" ที่ทำให้ Copulas สามารถทำงานกับข้อมูลประเภทใดก็ได้ ไม่ว่าจะเป็น Normal, Exponential หรืออย่างอื่นเลยก็ตาม

3. ทฤษฎีบทของ Sklar (Sklar’s Theorem): สูตร "เวทมนตร์"

ทฤษฎีบทของ Sklar เป็นแนวคิดที่สำคัญที่สุดในบทนี้ โดยกล่าวว่าฟังก์ชันการแจกแจงร่วม (joint distribution function) ใดๆ สามารถเขียนให้อยู่ในรูปของ Marginal และ Copula ได้

สำหรับตัวแปรสองตัว \( X \) และ \( Y \) ที่มี Joint CDF คือ \( F(x, y) \) และมี Marginal เป็น \( F_X(x) \) และ \( F_Y(y) \):
\( F(x, y) = C(F_X(x), F_Y(y)) \)

หมายความว่าอย่างไรในภาษาคนธรรมดา?
มันหมายความว่าถ้าคุณต้องการหาความน่าจะเป็นที่ \( X \le x \) และ \( Y \le y \) พร้อมกัน คุณแค่ต้อง:
1. หาความน่าจะเป็นของแต่ละตัวก่อน (Marginals)
2. "นำค่าที่ได้" ไปใส่ในฟังก์ชัน Copula \( C \)

ประเด็นสำคัญ: ทฤษฎีบทของ Sklar ช่วยให้เราแยกการแจกแจงแบบหลายตัวแปรที่ซับซ้อนออกเป็นสองส่วนอิสระ ได้แก่ พฤติกรรมรายตัว และ โครงสร้างความสัมพันธ์

4. คุณสมบัติพื้นฐานของ Copulas

เพื่อให้เป็น Copula ที่ถูกต้อง ฟังก์ชัน \( C(u, v) \) ต้องปฏิบัติตามกฎเหล่านี้:

1. คุณสมบัติ Grounding: หากความน่าจะเป็นของเหตุการณ์หนึ่งเป็นศูนย์ ความน่าจะเป็นร่วมก็ต้องเป็นศูนย์ด้วย
\( C(u, 0) = 0 \) และ \( C(0, v) = 0 \)
ตัวอย่าง: หากโอกาสที่ฝนจะตกคือ 0% โอกาสที่ฝนจะตก AND คุณจะทำร่มหายก็ต้องเป็น 0% เช่นกัน

2. คุณสมบัติ Marginal: หากเหตุการณ์หนึ่ง "แน่นอน" (ความน่าจะเป็น = 1) ความน่าจะเป็นร่วมก็จะเท่ากับความน่าจะเป็นของอีกเหตุการณ์หนึ่งพอดี
\( C(u, 1) = u \) และ \( C(1, v) = v \)

3. ความไม่ลด (Monotonicity): ฟังก์ชันต้องไม่ลดในแต่ละตัวแปร เมื่อความน่าจะเป็นของแต่ละตัวเพิ่มขึ้น ความน่าจะเป็นร่วมก็จะไม่ลดลง

5. Copula "ขอบเขต" พิเศษสามแบบ

มี Copula เฉพาะสามแบบที่คุณต้องรู้จัก ซึ่งแสดงถึงสุดโต่งของวิธีที่ตัวแปรต่างๆ สามารถสัมพันธ์กันได้

A. The Independence Copula (Product Copula)

แบบนี้ใช้เมื่อตัวแปร ไม่มีความสัมพันธ์กันเลย ถ้า \( X \) และ \( Y \) เป็นอิสระต่อกัน Copula ของพวกมันก็คือผลคูณของความน่าจะเป็นนั่นเอง:
\( C(u, v) = u \times v \)
ช่วยจำ: "อิสระต่อกันเหรอ? ก็แค่คูณกันเลย!"

B. The Upper Fréchet-Hoeffding Bound (Minimum Copula)

นี่แสดงถึง ความสัมพันธ์เชิงบวกที่สมบูรณ์แบบ (Comonotonicity) ซึ่งเกิดขึ้นเมื่อตัวแปรหนึ่งเป็นฟังก์ชันเพิ่มของอีกตัวแปรหนึ่งอย่างชัดเจน
\( C(u, v) = \min(u, v) \)
เปรียบเทียบ: ลองจินตนาการถึงจักรยานปั่นสองคน ถ้าคนข้างหน้าขยับไป 1 เมตร คนข้างหลังก็ต้องขยับไป 1 เมตรพอดี พวกเขาซิงค์กันอย่างสมบูรณ์แบบ

C. The Lower Fréchet-Hoeffding Bound

นี่แสดงถึง ความสัมพันธ์เชิงลบที่สมบูรณ์แบบ (Countermonotonicity) เมื่อตัวแปรหนึ่งเพิ่มขึ้น อีกตัวหนึ่งจะลดลงให้มากที่สุดเท่าที่จะเป็นไปได้
\( C(u, v) = \max(u + v - 1, 0) \)
เปรียบเทียบ: ไม้กระดก (Seesaw) เมื่อด้านหนึ่งอยู่สูงที่สุด อีกด้านหนึ่งก็ต้องอยู่ต่ำที่สุด

6. ข้อผิดพลาดที่ควรหลีกเลี่ยง

• สับสนระหว่าง \( f(x) \) กับ \( F(x) \): จำไว้ว่า Copulas ใช้ฟังก์ชันการแจกแจงสะสม (CDF) ซึ่งมักแทนด้วย \( F \) ตัวใหญ่ ไม่ใช่ฟังก์ชันความหนาแน่นความน่าจะเป็น (ตัว \( f \) เล็ก)
• คิดว่าสหสัมพันธ์ (Correlation) = Copula: สหสัมพันธ์ (เช่น Pearson's \( r \)) เป็นเพียงตัวเลขตัวเดียว แต่ Copula เป็น ฟังก์ชัน ทั้งตัว Copulas สามารถเก็บรายละเอียดได้มากกว่ามาก โดยเฉพาะในส่วนของ "หาง" ของการแจกแจง (เหตุการณ์สุดโต่ง)
• มองข้ามขอบเขต (Bounds): Copula ใดๆ ที่คุณคำนวณต้องอยู่ระหว่างขอบเขตล่างและบนของ Fréchet-Hoeffding เสมอ ถ้าผลลัพธ์ของคุณมากกว่า \( \min(u, v) \) แสดงว่าคุณคำนวณพลาดแล้ว!

7. สรุปและตรวจสอบครั้งสุดท้าย

สรุปบทที่ 11:
• นิยาม: Copula คือ Joint CDF ที่มี Marginal เป็นการแจกแจงแบบ Uniform
• ทฤษฎีบทของ Sklar: เชื่อมโยง joint distribution เข้ากับ marginals ผ่านสมการ \( F(x,y) = C(F_X(x), F_Y(y)) \)
• ทำไมต้องสนใจ: ช่วยให้เราสร้างแบบจำลองความเสี่ยงที่มีความสัมพันธ์กันได้โดยไม่ต้องบังคับให้ Marginals ต้องมีรูปร่างเหมือนกัน
• ขอบเขต: \( \max(u+v-1, 0) \le C(u, v) \le \min(u, v) \)

ไม่ต้องกังวลถ้าสูตรของ Copula ตระกูลอื่นๆ (เช่น Clayton หรือ Gumbel) ดูน่ากลัวเมื่อคุณไปเจอในภายหลัง แค่จำไว้ว่าพวกมันทั้งหมดเป็นเพียง "สูตรอาหาร" ที่แตกต่างกันในการนำตัวแปรมาติดกาวเข้าด้วยกันเท่านั้นเอง!