也许是因为Cauchy和t分布混在一起。我们总是可以计算出经验方差。请看下图。这是对1自由度的t分布（红色的Cauchy分布）和5自由度的t分布（蓝色）的模拟结果。

为了比较不同的尾部行为，我们有我们所谓的尾部指数。简而言之，在几乎任何分布中，某个阈值之后的观测值（比如说最差的5%的情况下的观测值）都是渐进式的帕累托分布。

---

---

其中x_m是截止点，α将决定尾巴的形状。α也被称为尾部指数。

当我们有两个（或更多）资产类别的收益，我们可以假设或模拟它们的分布。

我们从英国统计学家 Ronald Fisher 开始，他在 1925 年证明了一个非常有用的性质，即任何连续随机变量的累积分布函数都是均匀分布的。形式上，对于任何随机变量 X，如果我们表示  作为 X 的累积分布，则 。请记住，当我们说  ，它仅意味着概率， 。这就是 [0,1] 的来源，因为它只是一个概率。从三种不同的分布进行模拟：指数、伽玛和学生-t，变换它们并绘制直方图：

par(mfrow=c(3,1)) # 分割屏幕

apply(tm, 2, hist,xlab="", col = "azue") # 绘制

您可以通过这种方式转换任何连续分布。现在，将两个变换后的随机数表示为 u和 v。我们可以将它们“绑定”（copula）： C(u,v)。 其中， C是一些函数，并且因为原始变量是“不可见的”（当我们将其转换为 Uniform 时消失了），所以我们现在只讨论两个变量之间的相关性。例如 ，C可以是具有一些相关参数的二元正态分布。我不会在这里写出双变量正态密度，但它只是一个密度，因此，它将说明在中心地带观察到两个变量在一起的概率，和/或在尾部一起的概率。这是绕过原始变量的分布，只谈相关结构的一种方式。

我们现在要做的是按照讨论的方法对数据进行转换（称之为概率积分转换），并将其绘制出来。同时，我们模拟两个具有相同（量化-非条件）相关性的随机常模，并比较这两个数字。

desiy <- kde2d

contour

# 现在从两个具有相同相关性进行模拟。



smnom <- rmvnorm

trnorim_rm <- appl
mdni_im <- kde2d
plot
contour
title

乍一看，这两个数字看起来差不多。但更详细的观察发现，角落更快地收敛到（0,0）、（1,1）坐标。这也是由这些区域的深色等值线颜色表明的。请记住，模拟数据使用的是与真实数据相同的经验相关性，所以我们在这里讨论的其实只是结构。

现在让我们生成一个copula函数，我们可以用它来 “包裹 “或 “捆绑 “我们的转换后的收益。我们定义了一个重尾（df=1）和一个轻尾（df=6）的copula。我们可以直观地看到这个函数实际上是什么样子的。这样做的方式与我们可视化正态密度的方式差不多，但现在因为它是一个双变量函数，所以它是一个三维图。

she <- 0.3


persp(colahevy)

接下来你可以看到通常的相关性度量是相同的，除了尾部指数，因为我们只讨论结构，而不是大小。

tau(colight)

tau(coheavy)

rho(colight)

rho(copheavy)

tailIpulight)

tailIheavy)

上下尾不一定相同。这只是 t-copula 是对称函数的一个特征。在应用中，应该使用更真实的非对称 copula。

现在我们定义边缘，并估计 copula 参数。为简单起见，我为收益定义了 Normal 边缘分布，但 copula 仍然是 t-dist 且重尾：

# 用从数据中估计的参数来定义你的边际。

copurmal <- mvdc

# 拟合copula。这个函数的默认值是隐藏警告，所以如果发生错误。

# 添加 "hideWarnings=FALSE"，这样它就会告诉你是否有什么错误

coporm <- fitMvdc


该函数返回一个有那些可用的S4类。



copurm@mvc@cpla

coporm@estiat
coporm@fittng.sas

coporm@va.st

print
summary

est <- coeffic # 我们自己的估计值

mycop <- mvdc

# 从拟合的copula进行模拟

simd <- rMvdc

plot

相关结构看起来还不错–但你肯定可以看到正态边缘是不够的，有几个黑点（真实数据）在红色模拟簇之外。

顺便提一下，现在我们也可以估计那些没有预先指定形状的copulas，比如正态或t，但它们本身就是估计。这属于 “非参数copulas “这个更复杂的主题。