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.
논문에서는 이렇게 쓰입니다
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.