python编程估计Copula并计算拟合优度

前言：Use Copula to define the correlation structure between two variables and compute their joint distribution.
目的：计算Gaussian Copula、Gumbel Copula、Clayton Copula

简单思路介绍和步骤：

1. Gaussian Copula
   假设要模拟两个时间序列｛x｝、｛y｝之间的相关性结构，定义Gaussian Copula如下：
   
   其中u1、u2分别为对应变量分布函数的值。
   u1 = F1(x)
   u2 = F2(y)
   而其中的参数p为待估计变量，也就是待检验的x与y的分布函数之间的相关系数，可以看成x与y之间独立性的衡量指标。本文采用模拟估计的方法进行求解。‘简单来说，就是从[-1, 1]按一定步长取p值，计算出联合分布函数，检验其对应的联合分布函数与实际样本的经验联合分布函数之间的偏差，如果偏差在足够小的范围内，就认为其拟合程度达到要求。

2. Gumbel Copula
   

3. Clayton Copula
   
   2、3的估计方法与1相同。下面，从2003年1月6日至2019年2月15日，取3202个有效数据，计算中国与美、德、法、英、日五个国家的Copula系数值，比较相关性大小。数据来自国泰安CSMAR数据库。

Gaussian Copula相关系数p：代表被分析的两个分布函数之间的相关程度。
Gumbel theta：代表两个分布之间的独立性程度，theta>=1，并且越接近1，表明两个分布的独立性越强，反之则越弱。
Clayton theta：同样代表两个分布的独立程度，theta越接近于0，代表两个分布函数之间的独立性越强，反之则越弱。

代码如下：

import math
import numpy as np
import xlrd
from scipy.integrate import tplquad, dblquad, quad

#用于计算Gaussian copula的函数值. 输入x, y以及相关系数