Cópulas y dependencia de cola

Hasta ahora la cola ha sido unidimensional — un activo, una distribución de pérdidas. Pero las carteras se desploman porque muchos activos caen a la vez, y eso es una cuestión de dependencia, no de colas individuales. Aquí está la trampa: la dependencia suele resumirse en un único número, la correlación — y la correlación es una amiga de buen tiempo. Los activos pueden parecer levemente correlacionados en días tranquilos y luego desplomarse juntos en una crisis, un fenómeno que la correlación estructuralmente no puede captar. Esta lección presenta las cópulas, la maquinaria que separa limpiamente «cómo se comporta cada activo» de «cómo se mueven juntos», y la dependencia de cola, la propiedad que decide si tu diversificación sobrevive a un crac o se evapora justo cuando la necesitas.

Por qué la correlación es una amiga de buen tiempo

Analogía. La correlación es como juzgar una amistad por el comportamiento medio a lo largo de todo un año. Podría decir «quedamos a veces» — y pasar por alto por completo que ambos lo dejaríais todo el uno por el otro en una emergencia. La relación media y la relación de crisis pueden ser completamente distintas, y el riesgo vive en la crisis.

Definición. La correlación de Pearson $\rho = \dfrac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}$ mide la fuerza de la relación lineal entre dos variables, como un único número en $[-1, 1]$. Tres limitaciones fatales para el riesgo de cola:

1. Es un número para todos los estados del mercado. La correlación no puede decir «0,3 en calma, 0,9 en crisis» — los promedia en un punto medio engañoso.
2. Solo ve dependencia lineal. Dos variables pueden ser fuertemente dependientes y tener correlación cercana a cero si la relación es no lineal.
3. Necesita varianza finita. Para activos de cola pesada ($\alpha \le 2$, de dos lecciones atrás), la varianza es infinita, así que la correlación de Pearson ni siquiera está bien definida.

Intuición resuelta. Estima el beneficio de diversificación de una cartera con 2005–2007 (tranquilo) y concluirías que los activos se compensan bien — una cómoda correlación de 0,3. Llévala a 2008 y los activos se mueven como uno; la diversificación que pagaste se evapora precisamente cuando se suponía que iba a salvarte. El número no era erróneo para los tiempos tranquilos — era solo un número de tiempos tranquilos, confundido con uno universal.

Cópulas: separar el «qué» del «cómo-juntos»

Analogía. Imagina describir un dúo. Puedes describir la voz de cada cantante por separado (las marginales) y, de forma independiente, describir cómo armonizan sus voces (la cópula). Una cópula es la estructura de armonía pura, despojada de cómo suena cada voz individual.

Definición. Una cópula es una función que une distribuciones individuales (marginales) en una distribución conjunta, capturando solo la estructura de dependencia. El resultado fundacional es el teorema de Sklar: cualquier distribución conjunta puede separarse de forma única (para variables continuas) en $F(x, y) = C\big(F_X(x),\, F_Y(y)\big),$ donde $F_X, F_Y$ son las marginales (la distribución propia de cada activo) y $C$ es la cópula que vive en el cuadrado unidad $[0,1]^2$. La receta: transforma cada variable a una uniforme mediante su propia función de distribución (de modo que todo el comportamiento individual queda estandarizado), y entonces la cópula describe cómo se mueven juntas esas uniformes.

Por qué esto es potente. Desacopla dos preguntas que ahora puedes responder por separado:

• Marginales: ¿cómo de gruesa es la cola propia de cada activo? (Usa TVE/GPD por activo.)
• Cópula: ¿cómo comoviven los activos, especialmente en las colas? (Elige la cópula.)

Puedes emparejar marginales de cola gruesa con cualquier estructura de dependencia que quieras. La correlación colapsa ambas preguntas en un único número inadecuado; las cópulas las mantienen distintas y te dejan modelar cada una como es debido.

Cópula gaussiana frente a cópula t: misma correlación, distintos cracs

Ahora el meollo. Dos cópulas pueden codificar la misma correlación y comportarse de forma completamente distinta en una crisis.

La cópula gaussiana. Construida a partir de la normal multivariante, tiene un defecto notorio: dependencia de cola nula (para cualquier correlación por debajo de 1). Los extremos en distintos activos son asintóticamente independientes — a medida que te adentras en la cola conjunta, la probabilidad de que el activo B también se desplome dado que A se desplomó tiende a cero. La cópula gaussiana estructuralmente no puede producir «todo se desploma a la vez». Es la cópula en el centro del desastre de las obligaciones de deuda garantizada (CDO) de 2008: usada para modelar impagos hipotecarios, supuso que los impagos no se agruparían en la cola — justo hasta que todos se agruparon en la cola.

La cópula t. Construida a partir de la t de Student multivariante, tiene dependencia de cola positiva incluso con correlación modesta. Los extremos se agrupan: si A tiene un crac de una vez por década, B es sustancialmente más probable que se desplome con él. Cuantos menos grados de libertad $\nu$, más fuerte el agrupamiento de cola. Esta es la cópula que captura el comportamiento real de crisis — el efecto «todas las correlaciones van a uno».

La conclusión: ajusta la misma correlación a ambas, y coinciden en los días tranquilos pero divergen violentamente en la cola. Elegir la cópula gaussiana no es una opción por defecto neutral — es un supuesto activo de que los cracs no se sincronizan, lo cual es exactamente falso.

El coeficiente de dependencia de cola: medir el agrupamiento

Analogía. Responde a una pregunta afilada: «dado que un activo tiene un día verdaderamente terrible, ¿cuál es la probabilidad de que el otro también lo tenga — en el límite de lo ‘verdaderamente terrible’?». Es la probabilidad de que el desastre sea contagioso.

Definición. El coeficiente de dependencia de cola inferior es $\lambda_L = \lim_{q \to 0^+} P\big(Y \le F_Y^{-1}(q) \;\big|\; X \le F_X^{-1}(q)\big),$ la probabilidad límite de que $Y$ esté en su peor cuantil $q$ dado que $X$ está en su peor cuantil $q$, cuando $q \to 0$. (Una versión superior $\lambda_U$ hace lo mismo para las ganancias conjuntas.)

• $\lambda_L = 0$: independencia asintótica — los extremos se desacoplan. La cópula gaussiana tiene $\lambda_L = 0$ para cualquier $\rho < 1$.
• $\lambda_L > 0$: dependencia de cola — una probabilidad no nula de desplomarse juntos sin importar cuán lejos vayas. La cópula t tiene $\lambda_L > 0$.

Ejemplo resuelto. Para una cópula t con $\nu$ grados de libertad y correlación $\rho$, hay una forma cerrada; para $\nu = 4$ y $\rho = 0,5$, el coeficiente de dependencia de cola es aproximadamente $\lambda_L \approx 0,25$. Léelo sin rodeos: incluso con una correlación intermedia de 0,5, cuando un activo tiene su peor día de la historia hay alrededor de un 25 % de probabilidad de que el otro también lo tenga. Bajo una cópula gaussiana con la idéntica correlación de 0,5, esa probabilidad límite es exactamente 0. Misma correlación, contagio de crac tremendamente distinto — cuantificado.

Cuándo muerde la dependencia de cola — y cuándo la correlación basta

Saber cuándo cada herramienta es adecuada es la marca de la pericia.

La dependencia de cola importa sobre todo cuando:

• Mantienes una cartera diversificada y confías en la diversificación para sobrevivir a un crac — que es exactamente cuando la dependencia de cola destruye el beneficio.
• Estás valorando o cubriendo productos cesta, CDO, tramos de índice — productos cuyo pago depende de extremos conjuntos.
• Estás haciendo pruebas de estrés de un evento sistémico donde muchas posiciones podrían fallar juntas.

La correlación simple es una aproximación defendible cuando:

• Te importa la varianza de cartera de día típico, no el comportamiento de crisis (optimización media-varianza para condiciones normales).
• Los activos están genuinamente distribuidos de forma elíptica con colas ligeras, donde la correlación captura la dependencia adecuadamente.
• Necesitas un primer vistazo rápido y harás un seguimiento con un análisis de cópula/estrés para la cola.

El flujo de trabajo maduro: usa la correlación para el cuerpo, modela las marginales con TVE, y elige una cópula dependiente de cola (a menudo una cópula t) para la cola conjunta — y luego haz pruebas de estrés del resultado, que es exactamente a donde vamos a continuación.

A continuación — pruebas de estrés — la culminación del riesgo de cola práctico. Los modelos, por sofisticados que sean, están ajustados al pasado; las pruebas de estrés plantean directamente la pregunta de futuro «¿y si…?». Cubriremos las pruebas de estrés por escenarios e históricas, las pruebas de estrés inversas (trabajando hacia atrás desde la ruina), cómo combinar las pruebas de estrés con la TVE y las cópulas, y los límites honestos de cada enfoque.