코퓰러 함수 (Copula Function)
쉽게 풀면
두 변수, 예를 들어 주가와 환율이 있다고 합시다. 각각은 자신만의 분포 모양(예: 정규분포, 한쪽으로 치우친 분포 등)을 가지고 있고, 동시에 두 변수는 서로 어느 정도 함께 오르내리는 경향이 있습니다.
보통 상관관계 하나로 이 관계를 요약하지만, 상관계수는 "둘 다 평소엔 따로 놀다가 위기 상황에만 같이 폭락한다"처럼 극단적인 상황에서의 동조 현상까지는 잘 잡아내지 못합니다. 코퓰러 함수는 각 변수의 분포 모양은 그대로 둔 채, 두 변수가 함께 움직이는 패턴만을 별도로 표현할 수 있게 해주는 수학적 도구입니다.
마치 옷(개별 분포)과 그 옷을 이어 붙이는 재봉선(의존구조)을 분리해서 다루는 것과 비슷합니다.
왜 중요한가
실제 데이터에서는 변수 각각의 분포가 정규분포처럼 단순하지 않은 경우가 많고, 변수 간 관계도 항상 일정하지 않고 극단적인 상황에서만 강해지는 경우가 흔합니다.
코퓰러 함수는 이런 현실적인 특성을 반영하면서도 개별 분포와 의존구조를 분리해 유연하게 모형화할 수 있게 해주기 때문에, 리스크 관리와 극단값 동반 발생을 다루는 여러 응용 분야에서 표준적인 도구로 자리잡았습니다. 특히 여러 자산이나 여러 위험요인이 동시에 악화될 가능성을 평가해야 하는 상황에서 중요하게 다뤄집니다.
핵심 정리
스클라 정리(Sklar, 1959): 두 변수 X, Y의 결합분포함수 H는 각각의 주변분포함수 F, G와 하나의 함수 C로 나뉩니다.
H(x, y) = C( F(x), G(y) )
- C가 코퓰러입니다. 주변분포의 값(0~1 사이의 확률 u = F(x), v = G(y))을 넣으면 결합 확률을 돌려주는 함수이며, u와 v의 주변분포가 모두 균일분포(0~1)인 결합분포함수입니다.
- 주변분포가 연속이면 C는 하나로 정해집니다. 그래서 “주변분포를 따로 고르고, 의존구조(C)를 따로 고르는” 모형화가 가능합니다.
- 두 변수가 독립이면 C(u, v) = u × v(독립 코퓰러)입니다.
- 증가 함수로 변환(로그, 제곱근 등)해도 코퓰러는 변하지 않습니다. 그래서 순위에 기반한 켄달의 타우, 스피어만 ρ 같은 의존 측도는 코퓰러만으로 결정되고 주변분포와 무관합니다.
- 꼬리 의존성: 한 변수가 극단적으로 작을(클) 때 다른 변수도 극단일 확률의 극한값(λL, λU)입니다. 코퓰러 종류마다 다릅니다.
예시로 보기
(가상의 예, 공식에서 직접 계산) 켄달의 타우를 모두 .5로 맞춘 세 코퓰러를 비교합니다. 전체적인 연관 강도는 같은데 극단에서의 모습은 크게 다릅니다.
| 코퓰러 | 모수 | 켄달의 τ | 하단 꼬리 의존 λL | 상단 꼬리 의존 λU |
|---|---|---|---|---|
| 가우시안(정규) | ρ = 0.707 | 0.50 | 0 | 0 |
| 클레이튼(Clayton) | θ = 2 | 0.50 | 0.707 | 0 |
| 검벨(Gumbel) | θ = 2 | 0.50 | 0 | 0.586 |
공식은 가우시안 τ = (2/π)·arcsin ρ, 클레이튼 τ = θ/(θ+2), λL = 2−1/θ, 검벨 τ = 1 − 1/θ, λU = 2 − 21/θ입니다. 가우시안 코퓰러는 상관이 1 미만이면 양쪽 꼬리 의존이 0이라, 동반 폭락 같은 극단 사건의 동시 발생 확률을 낮게 잡을 수 있습니다.
자주 하는 오해
- “코퓰러는 하나의 분포 이름이다”: 코퓰러는 의존구조를 나타내는 함수의 계열(가우시안, t, 클레이튼, 검벨, 프랭크 등)입니다. 어느 것을 쓰는지가 결론에 영향을 줍니다.
- “피어슨 상관계수가 같으면 의존 관계도 같다”: 상관계수는 선형 관계 한 숫자일 뿐입니다. 상관이 같아도 꼬리 의존은 다를 수 있고, 상관계수는 주변분포에도 영향을 받습니다.
- “코퓰러를 쓰면 인과가 드러난다”: 코퓰러는 함께 움직이는 방식을 기술할 뿐 방향이나 원인을 말하지 않습니다.
- “코퓰러를 적합시키면 극단 위험이 자동으로 정확해진다”: 꼬리는 자료가 가장 적은 곳이라 추정이 불안정합니다. 후보 코퓰러를 AIC·BIC 등으로 비교하고 적합도를 점검하는 절차가 필요합니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.
“그런 다음, 극단치 이론과 Copula함수를 결합하여 이변량 변수에 기반하여 위험을 모형화하고 두 변수로 형성된 포트폴리오의 행태를 분석한다.”
극단적인 사이버 사고의 통계적 모형과 응용, 지역산업연구, 2025 · KCI 한국학술지인용색인 · 원문 보기 ↗
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 평상시에는 관계가 약해 보이던 자산들이 위기 상황에서 동시에 폭락하는 현상을, 단순한 상관계수보다 정교하게 포착하기 위해 코퓰러를 사용했다는 의미입니다. 금융·보험·수문학 등 극단값의 동반 발생이 중요한 분야에서 자주 쓰입니다.
수문학·기후 연구에서 서로 다른 두 변수(강우량, 유량)가 동시에 극단적인 값을 가질 확률, 즉 복합 재해 위험을 계산하기 위해 코퓰러를 사용했다는 의미입니다.
보험·리스크관리 분야에서 여러 손해 항목을 독립이라고 단순 가정했을 때 실제보다 위험을 과소평가하게 되는 문제를, 코퓰러로 의존구조를 반영해 보정했다는 의미입니다.
조금 더 깊게 보면
코퓰러는 종류에 따라 의존구조의 성격이 다릅니다. 정규 코퓰러는 꼬리 의존성이 거의 없어 극단 상황의 동조 현상을 포착하기 어려운 반면, t-코퓰러나 클레이튼(Clayton)·검벨(Gumbel) 같은 아르키메데스 코퓰러 계열은 분포의 한쪽 또는 양쪽 꼬리에서 의존성이 강해지는 특성을 표현할 수 있습니다.
실제 논문에서는 여러 후보 코퓰러를 적합시킨 뒤 AIC·BIC 같은 정보기준이나 우도비 검정으로 어떤 코퓰러가 데이터에 더 잘 맞는지 비교하는 절차를 거치는 경우가 일반적입니다.
주의할 점
코퓰러는 종류(정규 코퓰러, t-코퓰러 등)에 따라 극단값에서의 의존 정도를 표현하는 방식이 크게 달라지므로, 어떤 코퓰러를 선택하느냐에 따라 결론이 달라질 수 있습니다. 단순히 상관관계가 있다는 사실만으로 특정 코퓰러가 적합하다고 단정해서는 안 됩니다.
헷갈리기 쉬운 용어
모두 “두 변수의 관계”를 말하지만 담는 정보의 양이 다릅니다.
| 용어 | 무엇을 나타내나 | 한계 |
|---|---|---|
| 코퓰러 | 의존구조 전체(중심부와 꼬리) | 계열 선택이 필요하고 꼬리 추정이 불안정 |
| 상관계수(피어슨) | 선형 관계의 강도 한 숫자 | 비선형·꼬리 의존을 놓치고 주변분포에 영향받음 |
| 켄달의 타우 | 순위 일치 정도 | 코퓰러만의 함수. 꼬리 모양은 알려 주지 않음 |
| 스피어만 상관 | 순위 간 선형 상관 | 역시 단조 변환에 불변. 꼬리 의존은 포착하지 못함 |
참고 문헌
- Sklar, A. (1959). Fonctions de répartition à n dimensions et leurs marges. Publications de l’Institut de Statistique de l’Université de Paris, 8, 229–231.
- Nelsen, R. B. (2006). An Introduction to Copulas (2nd ed.). Springer.
- Joe, H. (2014). Dependence Modeling with Copulas. CRC Press.
- Embrechts, P., McNeil, A., & Straumann, D. (2002). Correlation and dependence in risk management: Properties and pitfalls. In M. A. H. Dempster (Ed.), Risk Management: Value at Risk and Beyond (pp. 176–223). Cambridge University Press.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.