3. 违约相关性入门
在信用组合管理中，单笔债务的违约概率只是起点。真正决定组合尾部风险大小的，是多个债务人“是否会在同一时间倒下”。这种共同违约的倾向，就是违约相关性。本节从直观含义出发，区分违约相关与资产相关，并厘清线性相关与尾部相关的本质差异，为后续组合损失分布建模打下概念基础。
一、相关性的直观含义：从“各自独立”到“同生共死”
假设一个组合里有100家借款人，每家一年内的违约概率都是2%。如果它们完全独立，那么出现“同时有10家以上违约”的概率极低，组合损失分布近似对称、尾部很薄。但如果这些借款人同处一个行业、一个区域，或共享同一个宏观驱动因素，那么一旦经济下行，它们可能集体恶化，违约事件高度聚集，尾部损失就会显著加厚。
相关性的直观含义可以概括为：它衡量的是“坏消息是否倾向于同时发生”。相关性越高，损失分布越向右偏、尾部越厚，极端损失出现的概率越大。对信用组合而言，相关性不是统计装饰，而是决定经济资本、风险限额和压力测试结果的核心参数。
二、违约相关与资产相关：两个层次，一条链条
在结构化信用模型中，我们通常不直接对“违约事件”建模，而是先对借款人的资产价值建模。其逻辑链条是：资产价值下跌到某个阈值以下 → 借款人违约。因此，资产相关（asset correlation）是驱动违约相关（default correlation）的底层变量。
两者的关系可以这样理解：
- 资产相关：两个借款人资产价值波动的联动程度，是连续变量之间的相关，通常用相关系数ρ表示。
- 违约相关：两个借款人是否违约的联动程度，是0/1事件之间的相关，由资产相关、违约阈值（即违约概率）共同决定。
关键结论是：资产相关并不等于违约相关。即使资产相关相同，违约概率不同，违约相关也会不同。违约概率越低，同样的资产相关所导致的违约相关通常越小；违约概率越高，违约事件更容易被共同触发，违约相关上升。
下面用一个简化的单因子模型说明资产相关如何转化为违约相关：
# 单因子信用模型（示意）
# A_i = sqrt(rho) * M + sqrt(1 - rho) * e_i
# 违约条件：A_i < threshold_i，threshold_i = Phi^{-1}(PD_i)
import numpy as np
from scipy.stats import norm
rho = 0.20 # 资产相关
PD = 0.02 # 违约概率
N = 100000 # 模拟次数
M = np.random.normal(0, 1, N) # 系统性因子
e1 = np.random.normal(0, 1, N)
e2 = np.random.normal(0, 1, N)
A1 = np.sqrt(rho) * M + np.sqrt(1 - rho) * e1
A2 = np.sqrt(rho) * M + np.sqrt(1 - rho) * e2
threshold = norm.ppf(PD)
D1 = A1 < threshold
D2 = A2 < threshold
default_corr = np.corrcoef(D1, D2)[0, 1]
print("违约相关系数:", round(default_corr, 4))运行这段代码会发现，当资产相关为0.20、违约概率为2%时，违约相关系数远小于0.20，通常在0.02～0.04量级。这正是“资产相关≠违约相关”的量化体现。
三、线性相关与尾部相关：平均联动 vs 极端联动
传统相关系数（Pearson线性相关）衡量的是变量在整个分布上的平均线性联动。但信用组合最关心的是尾部：当市场已经出现极端恶化时，违约是否还会进一步聚集。线性相关无法充分刻画这种“极端事件同时发生”的倾向，于是引入尾部相关（tail dependence）概念。
| 比较维度 | 线性相关 | 尾部相关 |
|---|---|---|
| 衡量对象 | 整个分布上的平均线性联动 | 极端分位点附近的联合联动 |
| 典型指标 | Pearson相关系数ρ | 上/下尾相关系数、Copula参数 |
| 对尾部风险 | 可能严重低估 | 直接刻画极端共同违约倾向 |
| 常见误区 | 认为ρ低则尾部安全 | 忽略尾部相关可能仍然很高 |
| 信用组合含义 | 影响平均损失波动 | 决定极端损失概率与经济资本 |
一个经典反例是：两个变量在线性相关上接近0，但在下尾却高度联动。例如，两个不同行业的借款人平时走势独立，但在系统性金融危机中同时违约。此时若只看线性相关，会误判组合的尾部风险。
四、案例与复盘：相关性如何改变组合尾部
考虑一个由50笔等权重贷款组成的组合，每笔违约概率2%，违约损失率60%。我们比较两种情景：
- 情景A：资产相关0.05，违约事件近似独立。
- 情景B：资产相关0.30，违约事件明显聚集。
在情景A下，组合损失分布集中在少数几笔违约附近，99.9%分位损失相对有限。在情景B下，虽然预期损失几乎不变，但极端分位损失可能上升数倍。原因正是：相关性不改变平均损失，却显著改变尾部形状。
复盘要点如下：
- 先确认建模对象：是在建资产相关还是违约相关，二者不可混用。
- 再确认相关性度量：线性相关适合描述平均联动，尾部风险必须看尾部相关或Copula。
- 最后做压力测试：人为提高相关性，观察经济资本和尾部损失的变化幅度。