코퓰러 (Copulas)
1. 서론과 역사 Introduction and history
이 표제어는 코퓰러의 역사, 정의와 주요 결과, 구성 방법, 연관성 측도, 그리고 유용한 모수적 코퓰러 족들을 다룬다. 역사를 간추리면 — 모든 유한차원 확률법칙에 코퓰러 함수가 결부됨을 보인 것은 스클라(Sklar, 1959)의 기초 연구였고, 그 씨앗은 이변량 코퓰러의 상·하한을 발견한 프레셰(Fréchet)였다. 보험계리학 최초의 응용은 카리에르(Carrière)의 연구로 보인다 — 2모수 프레셰 이변량 코퓰러로 연생·최종생존자 연금 가치의 한계를 조사했다. 경쟁위험(다중탈퇴) 모형에도 쓰여, 코퓰러를 알면 잠재 확률법칙을 상미분방정식계로 풀 수 있고, 캐나다 대형 보험사의 연생연금 자료로 코퓰러를 경험적으로 추정한 연구, 쌍둥이 사망의 상관 추정, 채권·대출 부도손실 보험의 가격결정(Li의 신용 코퓰러), 위험의 순서화에의 응용 등이 이어졌다. 코퓰러로 구동되는 연속시간 다변량 과정의 구성은 활짝 열린 연구 분야다.
결합분포에는 두 가지 정보가 섞여 있다 — 각 변수의 주변분포와 변수들 사이의 종속구조. 코퓰러는 그중 종속구조만 떼어내 [0,1]ⁿ 위의 함수로 담은 것이다. 덕분에 "주변분포는 이미 알고, 종속만 모형화하면 되는" 보험·금융 문제(연생보험, 포트폴리오 신용위험, 종속 클레임)에 안성맞춤이다.
2. 이변량 코퓰러와 연관성 측도 Bivariate copulas; measures of association
이변량 코퓰러 C(u,v)는 (u,v)∈[0,1]² 위의 분포함수로, C(0,v)=C(u,0)=0, C(u,1)=u, C(1,v)=v — 즉 주변분포가 균등 — 이고 직사각형 부등식 C(u₂,v₂)−C(u₁,v₂)−C(u₂,v₁)+C(u₁,v₁)≥0을 만족한다. 독립이면 C(u,v)=uv이고, 일반적으로 프레셰 한계
가 성립한다. 가장 중요한 세 코퓰러가 독립 코퓰러 uv, 프레셰 하한, 프레셰 상한이다 — C에서 유도된 (U,V)에 대해 U=V ⟺ C=min(u,v)(완전 양의 종속), U=1−V ⟺ C=max(0,u+v−1)(완전 음의 종속), 독립 ⟺ C=uv다. 종속성은 전통적으로 상관계수로 보고되며, 두 고전적 연관성 측도는
다. −1≤ρ≤1이고, C=uv이면 ρ=0, ρ=+1 ⟺ 프레셰 상한, ρ=−1 ⟺ 프레셰 하한이다(τ도 같은 성질). 상관의 전 범위를 포괄하는 족은 프랑크·프레셰·가우스·t-코퓰러이고, 양의 상관만 허용하는 족은 카리에르·쿡–존슨·쿠아드라스–아우헤·검벨·야신–이아킨이며, 모르겐슈테른은 −1/3과 1/3 사이만 가능하다. 프랑크 코퓰러는 세 핵심 코퓰러를 극한으로 포함하고 단순해서 특히 유용하다.
| 모형 | C(u,v) | 모수 |
|---|---|---|
| Ali–Mikhail–Haq | uv[1−α(1−u)(1−v)]⁻¹ | −1<α<1 |
| Carrière | (1−p)uv + p(u^{−α}+v^{−α}−1)^{−1/α} | 0≤p≤1, α>0 |
| Cook–Johnson | (u^{−α}+v^{−α}−1)^{−1/α} | α>0 |
| Cuadras–Augé-1 | [min(u,v)]^α [uv]^{1−α} | 0≤α≤1 |
| Cuadras–Augé-2 | u^{1−α} v^{1−β} min(u^α, v^β) | 0≤α,β≤1 |
| Frank | α⁻¹ ln[1+(e^{αu}−1)(e^{αv}−1)/(e^{α}−1)] | α≠0 |
| Fréchet-1 | p·max(0,u+v−1) + (1−p)·min(u,v) | 0≤p≤1 |
| Fréchet-2 | p·max(0,u+v−1) + (1−p−q)uv + q·min(u,v) | 0≤p,q≤1 |
| Gauss | G(Φ⁻¹(u), Φ⁻¹(v) | ρ) | −1<ρ<1 |
| Gumbel | exp{−[(−ln u)^α+(−ln v)^α]^{1/α}} | α≥1 |
| Morgenstern | uv[1+3ρ(1−u)(1−v)] | −1/3<ρ<1/3 |
| Plackett | {1+(α−1)(u+v) − [(1+(α−1)(u+v))²−4α(α−1)uv]^{1/2}} / [2(α−1)] | α≥0 |
| t-copula | C^T(u,v | ρ, r) — 식 (9) | −1<ρ<1, r>0 |
| Yashin–Iachine | (uv)^{1−p}(u^{−α}+v^{−α}−1)^{−p/α} | 0≤p≤1, α>0 |
3. 정의와 스클라 정리 Sklar's theorem
일반 정의 — U₁,…,Un을 [0,1] 위의 균등 확률변수들이라 할 때, 코퓰러는 이들의 결합분포함수
이다(균등연속이라는 중요한 성질을 갖는다). 독립이면 C=Πuk(독립 코퓰러)이고, 항상 C ≤ min(u₁,…,un)이며 U₁=…=Un으로 두면 min 자체도 코퓰러임을 안다 — n차원 프레셰 상한, 즉 완전 양의 종속이다.
정리 (Sklar, 1959). H가 1차원 주변분포 F₁,…,Fn을 갖는 n차원 분포함수이면, (꼭 유일하지는 않은) n차원 코퓰러 C가 존재하여
이다. H가 연속이면 C는 유일하고, 아니면 ran(F₁)×…×ran(Fn) 위에서 유일하게 결정된다. 역으로, C가 코퓰러이고 F₁,…,Fn이 임의의(이산·연속·혼합) 주변분포이면 C(F₁(x₁),…,Fn(xn))은 그 주변분포들을 갖는 n차원 분포함수다. 결합수명 모형화에는 분포함수보다 생존함수가 편리한데, 같은 표현 S(x₁,…,xn) = C(S₁(x₁),…,Sn(xn))이 성립한다(Carrière).
부부의 잔여수명이 각각 지수분포 S₁(x)=e^{−0.02x}, S₂(y)=e^{−0.03y}이고 종속구조가 쿡–존슨 코퓰러(α=1)라면, 둘 다 10년 이상 생존할 확률은?
독립이라면 S₁S₂ = e^{−0.5} ≈ 0.607. 양의 종속(부부의 생활환경 공유, "상심 증후군")을 반영하면 결합생존확률이 커진다 — 연생연금은 더 비싸지고 최종생존자 연금은 싸진다. 주변분포는 그대로 두고 코퓰러만 바꿔 종속의 효과를 떼어 볼 수 있다는 것이 스클라 정리의 실용적 힘이다.
4. 코퓰러의 구성 Construction of copulas
- ① 주변분포의 역변환. 주변분포 F₁,…,Fn이 알려진 n차원 분포 G에 대해 C(u₁,…,un) = G(F₁⁻¹(u₁),…,Fn⁻¹(un))로 만든다(연속이면 유일). 상관행렬 R의 다변량 표준정규에 적용한 G(Φ⁻¹(u₁),…,Φ⁻¹(un)|R)이 가우스 코퓰러다. 결합 생존함수가 알려져 있으면 S(S₁⁻¹(u₁),…,Sn⁻¹(un))도 코퓰러다.
- ② 코퓰러 족의 혼합. 모수 ω∈Ω로 지표화된 코퓰러족 C_ω와 Ω 위의 확률측도 M에 대해 C = ∫C_ω dM(ω)도 코퓰러다.
- ③ 혼합 다변량분포의 역변환(프레일티). 다변량분포를 먼저 혼합한 뒤 새 주변분포로 역변환한다. t-코퓰러가 대표적 예 — 상관 R의 표준정규 벡터 Z와 독립인 Wr=√(χ²_r/r)로 Tk=Zk/Wr를 만들면 각 Tk는 표준 t분포이고,가 t-코퓰러다. 카이제곱 대신 다른 비음 분포를 써도 된다.
- ④ 생성원(generator). 비음 확률변수 Z의 적률생성함수 M_Z에 대해 M_Z(Σ M_Z⁻¹(u_k))는 프레일티 방식으로 구성된 코퓰러다. 일반 생성원 g로는이며, 아르키메데스(Archimedean) 생성원의 논의는 Genest–MacKay에 있다.
- ⑤ 임시방편적 방법. 기하평균 방법 — C₂≥C₁이면 [C₁]^α[C₂]^{1−α}도 코퓰러일 수 있다(쿠아드라스–아우헤·야신–이아킨의 기원). 일반화하면 g⁻¹[∫g[C_ω]dM]이고, g(u)=u^ξ 같은 변환으로 g⁻¹[C(g(u),g(v))]를 만드는 기법도 있다.
가우스 코퓰러는 다루기 쉬워 신용파생 가격결정의 표준이 되었지만(Li, 2000), 꼬리 종속이 0이라는 약점이 있다 — 극단 사건들이 함께 터지는 경향을 과소평가한다. t-코퓰러(r이 작을수록)와 검벨 코퓰러는 꼬리 종속을 가지므로, 재해·금융위기처럼 "다 같이 나빠지는" 위험의 모형화에는 이쪽이 적합하다. 2008년 금융위기에서 가우스 코퓰러 일변도의 CDO 평가가 받은 비판이 유명하다.
참고 및 관련 표제어
부록. 이 글에 나온 용어 (배경지식 보충)
- 코퓰러 (copula) — 균등 주변분포를 갖는 [0,1]ⁿ 위의 결합분포함수. 종속구조의 순수한 표현.
- 프레셰 한계 (Fréchet bounds) — 모든 코퓰러의 상한 min(u,v)와 하한 max(0,u+v−1). 완전 양·음의 종속.
- 스피어만 ρ / 켄달 τ — 순위 기반 연관성 측도. 주변분포와 무관하게 코퓰러만으로 정해진다.
- 아르키메데스 코퓰러 — 생성원 g로 g(Σg⁻¹(u_k)) 꼴로 만들어지는 족(프랑크·검벨·쿡–존슨 등).
- 프레일티 구성 — 공통 임의효과로 종속을 만들고 주변분포를 역변환하는 방법(t-코퓰러 등).
- 꼬리 종속 (tail dependence) — 두 변수가 동시에 극단값을 가질 극한 확률. 가우스는 0, t·검벨은 양수.
- 경쟁위험 (competing risks) — 여러 탈퇴원인이 경합하는 모형. 코퓰러로 잠재수명의 종속을 표현.
- 연생/최종생존자 연금 — 부부 중 한쪽 생존/마지막 생존자 기준의 연금. 결합수명 종속이 가격을 좌우.
한국보험시장 현황 Korea Market Practice
코퓰러가 한국 보험산업에서 가장 무겁게 쓰이는 자리는 리스크 통합이다. K-ICS(2023) 표준모형은 리스크 모듈 간 분산효과를 상관계수 행렬로 인정하는데, 이는 의존 구조를 선형 상관 하나로 요약한 단순화다. 회사 단위의 자체위험·지급여력평가(ORSA), 내부 자본모형, 통합 스트레스테스트에서는 주가–금리–신용–보험리스크의 결합 시나리오가 필요하고, 여기서 "주변분포 따로, 의존 구조 따로"라는 스클라 정리의 분해가 실무 설계의 문법이 된다. 2008년 금융위기에서 가우시안 코퓰러 기반 신용파생 평가가 꼬리 의존성을 놓쳤다는 교훈 — 위기 때는 모든 것이 함께 나빠진다 — 은 국내 리스크관리 교과에서도 표준 사례로 자리 잡아, 꼬리에서 의존이 사라지는 가우시안 대신 꼬리의존을 가진 t-코퓰러·구조적 시나리오를 병행하는 관행을 낳았다.
보험 고유의 응용으로는 본문 저자(Carrière)의 연구 맥락 그대로인 연생(joint-life) 모형이 있다. 부부의 사망은 공통 생활환경·사별 충격(broken-heart effect) 때문에 독립이 아니며, 부부형 연금·상속형 종신보험의 가격과 준비금은 두 생명의 결합 생존분포 — 곧 코퓰러 — 에 의존한다. 손해보험 쪽에서는 자연재해의 지역 간 의존성(한 태풍이 여러 지역·여러 담보를 동시 타격), 재보험 포트폴리오의 누적 한도 관리, 농작물·풍수해 같은 정책성 보험의 광역 동시 손해가 코퓰러적 문제이고, Cat 모형의 다지역 손해 상관이 사실상 그 구현이다.
IFRS17에서도 의존 구조는 숫자로 들어온다. 위험조정(RA)의 분산효과 인정 — 포트폴리오·리스크 간 상쇄를 얼마나 반영하는가 — 은 결합분포 가정의 문제이며, 신뢰수준 방식으로 RA를 산출하는 회사는 통합 분포의 분위수를 구하기 위해 의존 구조를 명시해야 한다. 다만 국내 실무의 현재 위치는 "코퓰러를 일상 도구로 쓰는 단계"라기보다 "상관행렬을 기본으로 하되, 꼬리 의존이 문제 되는 영역(재해 집적, 금융 위기 시나리오, 연생)에서 선택적으로 코퓰러를 쓰는 단계"로 보는 것이 정확하다 — 모형의 정교함보다 의존성 데이터의 빈약함이 병목이라는 점도 본문의 추정 논의와 일치한다.
실무에서 의존성을 보고할 때 피어슨 상관계수는 주변분포의 꼬리에 민감해 오해를 부른다. 코퓰러 문헌이 권하는 대로 순위 기반 측도(켄들의 τ, 스피어만의 ρ)로 의존 강도를 적고, 꼬리의존계수로 "동시 극단"의 가능성을 따로 적는 것이 안전하다. 모수 선택 시에는 아르키메데스족(클레이턴=하방 꼬리, 굼벨=상방 꼬리)의 비대칭성이 유용하다 — 재해 손해처럼 "큰 쪽에서만 함께 커지는" 데이터에는 굼벨형이, 금융자산 동반 폭락에는 하방 꼬리가 있는 구조가 자연스럽다.