코퓰라와 꼬리 의존성: 위기 시 상관관계가 거짓말을 하는 이유

핵심 요점

선형 상관관계는 결합 정규분포를 가정하며 시장 위기 시 치명적으로 무너집니다. 스클라 정리에 기반한 코퓰라 이론은 주변 분포와 의존 구조를 분리하여 꼬리 의존성을 명시적으로 모형화할 수 있습니다. Patton (2006)은 이 비대칭성을 실증적으로 증명하였습니다. 가우시안 코퓰라를 클레이튼 또는 t-코퓰라로 대체하면 꼬리 위험 추정치가 실질적으로 증가합니다.

분산투자가 또다시 실패하고 있습니다

2026년 초, 이란 분쟁이 심화되면서 자산군 전반에 걸쳐 상관관계가 급등하고 있습니다. 주식, 원자재, 신용 자산이 스트레스 국면에서 동조 움직임을 보이고 있습니다. 분산투자로 손실을 완충하기를 기대했던 멀티에셋 포트폴리오 매니저들은 익숙한 문제를 다시 마주하고 있습니다. 배분을 정당화했던 상관관계 구조가 정작 중요한 순간에는 더 이상 유효하지 않습니다.

이것은 새로운 현상이 아닙니다. 방대한 계량 연구가 문서화하고 설명해 온 금융시장의 구조적 특성입니다. 그 설명은 코퓰라 이론, 구체적으로는 꼬리 의존성 개념에 있습니다. 꼬리 의존성이란 정규분포가 예측하는 것보다 훨씬 더 자주 자산이 동시에 폭락하는 경향을 의미합니다.

스클라 정리와 코퓰라 프레임워크

이론적 기반은 Sklar (1959)에서 비롯됩니다. 스클라 정리는 어떤 다변량 결합 분포도 두 가지 구성 요소로 분해될 수 있음을 명시합니다. 개별 변수의 주변 분포와, 이들 사이의 의존 구조를 포착하는 코퓰라가 그것입니다. 공식적으로, 주변 분포 F1과 F2를 갖는 결합 분포함수 F에 대해, F(x1, x2) = C(F1(x1), F2(x2))를 만족하는 코퓰라 C가 존재합니다.

이 분해는 두 가지 독립적인 모형화 선택을 분리할 수 있게 해주므로 강력합니다. 주변 분포는 스튜던트-t 분포 같은 두꺼운 꼬리 분포를 사용하여 개별 자산 수익률 이력으로부터 추정할 수 있습니다. 그런 다음 코퓰라는 결합 정규분포 가정에 구속되지 않고 실제 의존 구조, 특히 꼬리에서의 행동을 반영하도록 선택할 수 있습니다.

반면, 선형 상관관계는 의존 구조가 타원형(즉, 대칭적이고 상관관계 행렬로 완전히 서술되는)이라고 암묵적으로 가정하는 단일 요약 통계량입니다. 이 가정은 수익률이 결합 정규분포를 따를 때는 성립하지만, 그렇지 않을 때는 심각하게 어긋납니다.

중요한 비대칭성: 꼬리 의존성

꼬리 의존성 계수는 자산이 "같이 오른다"보다 "같이 폭락한다"는 직관을 형식화합니다.

하방 꼬리 의존성 계수(λL)는 한 자산이 극단적 음의 수익률을 경험할 때 다른 자산도 같은 상황에 처할 확률을 측정합니다. 상방 꼬리 의존성 계수(λU)는 극단적 양의 수익률에 대해 같은 것을 측정합니다. 결합 정규분포를 따르는 수익률의 경우, 상관관계 수준과 무관하게 λL과 λU 모두 0입니다. 이것이 가우시안 기반 리스크 모형의 근본적 한계입니다.

Longin and Solnik (2001)은 획기적인 실증 증거를 제시했습니다. 수십 년에 걸친 국제 주식시장 데이터를 사용하여, 주식시장 간 상관관계가 약세장 국면에서는 유의미하게 증가하지만 강세장 국면에서는 본질적으로 변하지 않음을 보였습니다. 이 비대칭성은 단일 상관계수로는 포착할 수 없습니다. 이는 국제 주식 수익률이 양의 하방 꼬리 의존성과 0에 가까운 상방 꼬리 의존성을 보인다는 직접적인 증거로, 표준 평균-분산 모형이 무시하는 패턴 그대로입니다.

2008년부터 2009년 금융위기 동안, S&P 500 섹터 간 실현 쌍별 상관관계는 평온기의 0.50~0.60과 비교하여 평균 약 0.85~0.90까지 상승했습니다. 모든 섹터가 함께 하락했습니다. 섹터 배분에 내재된 분산투자 효과는 사라졌습니다.

클레이튼 대 검벨: 꼬리 위험에 대한 두 가지 시각

서로 다른 코퓰라 계열은 서로 다른 의존 구조를 포착합니다. 리스크 관리에서 가장 관련성 높은 두 가지는 클레이튼 코퓰라와 검벨 코퓰라입니다.

클레이튼 코퓰라는 양의 하방 꼬리 의존성(λL > 0)과 제로 상방 꼬리 의존성(λU = 0)을 가집니다. 이는 "같이 폭락하는" 현상을 포착합니다. 두 자산이 동시에 극단적 손실을 경험할 확률이 가우시안 모형의 시사보다 의미 있게 높습니다. 클레이튼 코퓰라는 동시 부도의 결합 확률이 핵심 관심사인 신용 위험 모형화에 널리 사용됩니다.

검벨 코퓰라는 제로 하방 꼬리 의존성(λL = 0)과 양의 상방 꼬리 의존성(λU > 0)을 가집니다. "같이 급등하는" 현상은 포착하지만 "같이 폭락하는" 행동은 포착하지 못합니다. 주식 포트폴리오에 검벨 코퓰라는 일반적으로 잘못된 선택입니다. 낙관적 시나리오를 모형화하면서 위험한 시나리오를 과소 반영합니다.

가우시안 코퓰라는 양 꼬리에서 모두 꼬리 의존성이 제로입니다. 2000년대 중반 구조화 신용 시장에서 지배적인 도구였으며, CDO 트랜치 가격 결정에 사용되었습니다. 가우시안 코퓰라가 상관된 부도 확률에서 하방 꼬리 의존성을 포착하지 못한 것은 2008년 위기 이전 모기지담보증권 가격 왜곡의 기여 요인으로 널리 언급됩니다.

Patton (2006): 비대칭적 환율 의존성

국제경제리뷰에 게재된 Patton (2006)은 금융시장의 비대칭적 의존성에 대한 가장 엄밀한 실증 검증을 제공합니다. 수십 년의 표본 기간 동안 도이체마르크/미달러 및 일본엔/미달러의 일별 환율 데이터를 사용하여, Patton은 다양한 코퓰라 모형을 적합하고 이를 대칭성 가정과 비교 검증했습니다.

핵심 발견은 주목할 만합니다. 두 환율 쌍 간의 의존성은 동시 절상 시보다 동시 절하(두 통화가 달러 대비 동시에 약세) 시에 유의미하게 더 높습니다. 가우시안을 포함한 대칭 코퓰라들은 비대칭 대안에 유리하게 통계적으로 기각됩니다. Patton은 또한 의존성 매개변수가 지연 데이터의 함수로 변화하는 시변 코퓰라 프레임워크를 도입하여 위기 국면에서 의존성의 동적 특성을 포착했습니다.

이 결과는 통화 시장을 넘어 직접적인 시사점을 가집니다. 대칭적 의존성 가정이 주요 금융시장에 대해 실증적으로 거짓임을 확립하며, 대칭성을 부과하는 모형들이 하방 위험을 체계적으로 과소평가함을 보여줍니다.

리스크 관리자를 위한 실무적 시사점

이 프레임워크는 꼬리 위험을 측정하고 관리하는 방식에 대한 구체적 변화로 이어집니다.

다른 모든 매개변수를 일정하게 유지한 채 VaR 모형에서 가우시안 코퓰라를 t-코퓰라 또는 클레이튼 코퓰라로 대체하면, 1% 신뢰수준에서의 추정 포트폴리오 손실이 실질적으로 증가합니다. t-코퓰라는 대칭적 두꺼운 꼬리를 포착하고, 클레이튼 코퓰라는 특히 동시 대규모 손실에 대한 가중치를 높입니다. 어느 변경도 정상 시장에서의 추정 상관관계를 바꾸지 않습니다. 두 가지 모두 정상기 상관관계가 위험의 불완전한 서술임을 드러냅니다.

실무적 구현을 위한 검보정 접근법은 다음을 포함할 수 있습니다.

• 두꺼운 꼬리 모형(스튜던트-t 또는 코니시-피셔 확장)을 사용하여 각 자산의 주변 분포 추정
• 특히 꼬리 영역에서 추정된 의존성 매개변수로 결합 데이터에 클레이튼 또는 t-코퓰라 적합
• 가우시안 근사 대신 코퓰라 함의 결합 분포를 사용한 시나리오 분석 수행
• 평온기와 위기기 의존성 간의 격차를 강조하기 위해 표준 선형 상관관계와 함께 "꼬리 상관관계" 지표 보고

리스크 추정치의 차이는 상당할 수 있습니다. 선형 상관관계 0.50의 2자산 포트폴리오에서, 가우시안 코퓰라 모형은 1% VaR를 8%로 추정할 수 있습니다. 동등한 선형 상관관계를 가지지만 비제로 하방 꼬리 의존성을 갖는 클레이튼 코퓰라는 해당 추정치를 12~14%로 끌어올릴 수 있습니다. 상관관계가 아니라 코퓰라의 변경이 차이를 만들어 냅니다.

한계

코퓰라 모형이 완전한 해결책은 아닙니다. 꼬리 의존성 매개변수 추정에는 정의상 희귀한 꼬리 관측치가 많이 필요합니다. 의존 구조는 안정적이지 않습니다. 한 레짐에서 가장 잘 맞는 코퓰라가 다른 레짐에서는 부적절할 수 있습니다. 코퓰라 계열 선택은 모형 위험을 수반합니다. 그리고 실무 포트폴리오 관리에서, 올바르게 추정된 꼬리 위험도 유동적인 꼬리 위험 수단이 없거나 비용이 지나치게 높다면 실행 가능한 헤징으로 이어지지 않을 수 있습니다.

더 심층적인 요점은 인식론적입니다. 꼬리 사건은 희귀하기 때문에 추정하기 어렵습니다. 코퓰라 프레임워크의 가치는 λL의 정확한 추정치를 생산하는 데 있는 것이 아니라, 리스크 관리자로 하여금 가우시안 의존성이 사실이 아닌 가정임을, 그리고 그 가정의 비용은 위기 시에 전액 지불된다는 것을 인식하도록 강제하는 데 있습니다.