歡迎來到財務相關性建模！

在你的 FRM 學習旅程中，你已經學過分散投資是金融領域「唯一免費的午餐」。但要判斷這頓午餐是否真的免費，你需要了解資產是如何「共同進退」的。這正是相關性建模 (correlation modeling) 發揮作用的地方。

在本章中，我們將專注於由下而上法 (Bottom-Up Approaches)。你可以把它想像成拼樂高城堡：我們不把城堡視為一塊巨大的灰色積木，而是觀察每一塊個別的磚塊（即每一位借款人或資產），並找出它們是如何連結在一起的。這對於為抵押債務證券 (CDOs) 等複雜產品定價以及管理信用風險組合至關重要。

如果起初覺得有點困難，別擔心！相關性以「捉摸不定」聞名，因為它在市場崩盤時往往會發生劇變。我們將一步步為你拆解。

1. 由上而下與由下而上：你採取什麼視角？

在深入探討之前，我們先區分風險管理經理看待投資組合的兩種主要方式：

  • 由上而下 (Top-Down)： 你將整個投資組合視為一個「整體」。你不關心個別借款人 A 是誰，你只關心整個群體的總體違約率。
  • 由下而上 (Bottom-Up)： 你為每一個個別名稱 (individual name) 建模違約風險，然後使用一種數學上的「膠水」（即 Copula）將它們連結起來。

為什麼要使用由下而上法？ 它提供了更大的靈活性。你可以考慮不同規模的貸款、不同的信用評級，以及行業之間的特定關係。

快速複習： 當投資組合中個別資產的特性差異顯著時，由下而上法是必不可少的。

2. Copula 的概念

如果本章中你必須記住一個詞，那就是 Copula（連接函數）。在拉丁語中，“copula”的意思是連結或繫帶。

類比：烹飪食譜

想像你正在做一道菜：
1. 邊際分佈 (Marginal Distributions) 是你的食材（雞肉、西蘭花、米飯）。每一種都有其獨特的屬性。
2. Copula 是將它們組合在一起的醬汁。它不會把雞肉變成西蘭花，但它決定了它們在一起時的味道。

在數學上，Copula 允許我們將變數的個別行為與其依賴結構 (dependence structure) 分離開來。這是非常強大的，因為我們可以為借款人 A 選擇一種分佈（例如常態分佈），為借款人 B 選擇另一種不同的分佈，然後使用 Copula 將它們連結。

Sklar 定理

這是 Copula 的「黃金法則」。它指出任何多元聯合分佈都可以用其單變量邊際分佈函數以及描述變數間依賴結構的 Copula 來表示。

\( F(x_1, x_2, ..., x_n) = C(F_1(x_1), F_2(x_2), ..., F_n(x_n)) \)

其中：
- \( F \) 是聯合分佈。
- \( C \) 是 Copula。
- \( F_n \) 是個別（邊際）分佈。

關鍵重點： Copula 讓我們能將「它們如何共同變動」的部分，從「它們如何個別表現」的部分中分開來建模。

3. 高斯 (Gaussian) Copula

高斯 Copula 在很長一段時間內都是行業標準（但也因 2008 年金融危機而飽受詬病）。它假設資產之間的依賴關係遵循多元常態分佈。

它是如何運作的：

我們將每家公司的違約機率映射到標準常態分佈。如果「隱含變數」（可以想像成公司的健康狀況）低於某個閾值，該公司就會違約。

最大的弱點：尾部依賴 (Tail Dependence)

高斯 Copula 具有零尾部依賴。這意味著它假設如果一家公司發生了「百年一遇」的災難，另一家公司同時發生災難的機率幾乎為零。

你知道嗎？ 在真實市場中，當情況惡化時，它們往往會一起惡化。高斯 Copula 在崩盤期間往往會低估許多公司同時違約的風險。

4. Student’s t-Copula

如果說高斯 Copula 對崩盤過於「樂觀」，那麼 Student’s t-Copula 就是更現實的選擇。它引入了一個稱為自由度 (\( \nu \)) 的參數。

  • 較低的自由度： 較厚的尾部（Fat tails）。這意味著極端事件同時發生的機率更高（高尾部依賴）。
  • 較高的自由度： 當 \( \nu \) 增加時，Student’s t-Copula 開始變得越來越像高斯 Copula。

記憶小撇步： “T for Tails”（T 代表尾部）。如果你想捕捉所有資產同時崩盤的「傳染效應」，請使用 Student’s t-Copula。

5. 單因子模型 (One-Factor Model)

對 100 家不同的公司及其兩兩之間的相關性（A 對 B、A 對 C、B 對 C...）進行建模是一場噩夢。這需要太多的計算。為了簡化，我們使用單因子模型。

邏輯：

我們假設單一的共同因子 (common factor)（例如整體經濟狀況）會影響所有人，而個別因子 (idiosyncratic factor) 僅影響特定公司。

公司 \( i \) 的資產收益 \( X_i \) 的公式為：
\( X_i = \sqrt{\rho} M + \sqrt{1 - \rho} Z_i \)

其中：
- \( M \) = 共同市場因子（影響所有人）。
- \( Z_i \) = 個別因子（僅對公司 \( i \) 獨有）。
- \( \rho \) = 與共同因子的相關性。

逐步解讀：
  1. 如果 \( \rho \) 很高，市場因子 \( M \) 佔主導地位。大多數公司會一起違約或存活。
  2. 如果 \( \rho \) 很低，個別因子 \( Z_i \) 佔主導地位。違約將是隨機且獨立發生的。

常見錯誤： 學生經常混淆資產相關性與違約相關性。資產相關性 (\( \rho \)) 是單因子模型的輸入值，但違約相關性是我們觀察到的結果。違約相關性通常遠低於資產相關性。

6. 關鍵差異總結

讓我們用一個快速對比表來總結，幫助你複習：

對比表

高斯 Copula： 無尾部依賴。計算較容易。低估了「黑天鵝」事件。
Student’s t-Copula： 對稱的尾部依賴。更適合壓力市場。計算較複雜。
單因子模型： 使用一個共同市場驅動因子來簡化相關性。用於 CDO 分層 (tranches) 定價。

7. 快速複習箱

1. 什麼是 Copula？ 一種將邊際分佈連結成聯合分佈的函數。
2. 高斯與 T-Copula 的區別？ T-Copula 有更厚的尾部，能捕捉同時發生的崩盤；高斯則不能。
3. 單因子模型中的 "M" 是什麼？ 它代表影響投資組合中所有公司的共同市場因子。
4. 為什麼使用由下而上法？ 它允許對大型資產池中的個別資產進行細粒度的風險管理。

繼續加油！你正在掌握 FRM Part II 課程中最具技術性的部分之一。請記住：相關性不僅僅是一個數字；它是金融系統的「膠水」！