1703536200
1703536201
注意到，与高斯Copula和t-Copula不同，这个n-维联合分布只有一个未知参数。典型的事实是阿基米德Copula有少量参数。任何两个随机变量间的相关性明显是相同的。对这些主题和拓展的进一步讨论可参见McNeil等人（2005）和其中的参考文献。最近的一次综述可参见Kolev等人的研究（2006）。
1703536202
1703536203
在一些有趣的经济学应用中发展了动态或半参数Copula。Poon等人（2004）、Jondeau和Rockinger（2006）、Patton（2006b）和Barteam等（2007）用时变Copula考察了非线性相关性。Chen和Fan（2006）和Chen（2007）发展了新的方法来估计动态Copula。
1703536204
1703536205
1703536206
1703536207
1703536208
预见相关性：风险管理新范例 [:1703535704]
1703536209
预见相关性：风险管理新范例 2.3 相关性的测度
1703536210
1703536211
现在可以对一般的多元密度函数定义相关性测度方法。如上所述，相关系数是对线性相关的一个测度，并且对于非线性转换会发生变化。找到下面这样的一些转换并非难事，这些转换使得一个随机变量和它的转换之间是线性无关的，即使它们之间存在完全的依赖关系。一个简单的例子是，一个对称的0均值随机变量和它的平方之间是不存在线性相关的。既然一个随机变量集的依赖关系由Copula来测度，那么自然有一些测度值不随边际分布而变化。对于数据的非线性单调变换，任何这样的测度值都将是不变的。
1703536212
1703536213
很明显简单皮尔森相关系数不是这样一个测度值。它不仅由Copula唯一决定而且还取决于边际密度函数。但是，可以用上面讨论过的meta-高斯分布来构造一个不变的测度值。这种情况下，准相关系数定义为准观测值的皮尔森相关系数。准观测值的构造首先需要知道边际分布，然后利用这个边际分布来获得这个分布中的一致随机变量，最后通过乘以标准正态分布的反函数将其转换成正态分布变量。这样的准相关系数对于初始数据的非线性转换是不变的，并且由Copula唯一决定。这种测度方法可以表示为
1703536214
1703536215
1703536216
1703536217
1703536218
这个测度值被称作准相关系数，因为它不是初始数据的相关系数而是数据转换后的相关系数。对边际密度的一个一般设想要使用到经验分布函数，这意味着标准化的排列先被看作统一的随机变量U，然后被转换成一组标准正态变量。
1703536219
1703536220
一个紧密相关的测度值是等级相关系数或者斯皮尔曼相关系数。这被定义为分位数或所有U的简单相关系数。由于输入值不随边际密度函数的改变而改变，并且不随数据的单调变换而变化，所以等级相关系数是
1703536221
1703536222
1703536223
1703536224
1703536225
这两个测度值一般是不相同的，但非常接近。如果Copula是高斯Copula，那么它们可能会有相同的期望。如果Copula不是高斯Copula，那么会存在一些设定，这些设定中的估计量有相当大不同。举个例子，如果Copula关于两个变量有相当大的概率接近0或者1，那么准正态分布会有接近±∞的观测值并且会导致有比等级相关系数更高的准相关系数。
1703536226
1703536227
另一个普遍使用的测度相关性的方法是Kendall’s tau。为了定义这个测度方法，我们考虑两个随机变量的两个观测值：（y1，x1）和（y2，x2）。如果y1>y2且x1>x2或者y1
1703536228
1703536229
τ=P（concordant）-P（not concordant）
1703536230
1703536231
=2P（concordant）-1 （2-20）
1703536232
1703536233
很明显这个测度值不会随着数据的单调转换而变化，并且它能从Copula直接计算得到。
1703536234
1703536235
所有这三种衡量方法——准相关方法，等级相关系数法和Kendall’s tau方法——都是对相关关系的非参数测度方法，因此，它们对所假设的分布和异常值来说都是稳健的。每个测度方法都描述了关于结果的全部范围的相关关系。
1703536236
1703536237
其他的一些测度方法考虑了关于极端值的依赖特征。一个关于极端值依赖性的测度方法是尾部相关性方法。这是一种测度联合极端值的方法。对于任何特别的分位数α，我们能够定义在另一个随机变量超过这个分位点的条件下，一个随机变量超过这个分位点的概率。通过变换下面的不等式（2-21），一个类似的定义可以用于上分位数
1703536238
1703536239
1703536240
1703536241
1703536242
低尾相关性（Lower tail dependence）被定义为分位数趋于0的概率极限：
1703536243
1703536244
1703536245
1703536246
1703536247
上尾相关性（upper tail dependence）是当分位数趋于1的概率极限。这是一种仅仅取决于分位数的测度方法，所以它是Copula的一个特征。
1703536248
1703536249
对风险管理来讲，测度低尾相关性是特别重要的。由于它是最重要的极端风险，所以有必要用一个Copula来准确地刻画多重资产同时出现极小收益率的概率特征。简单相关系数不能准确揭示出尾部相关性。一个非常重要的例子是高斯Copula。对于这样的联合密度函数，尾部相关性总是0，与其相关结构无关，因为极端事件总是没有关联。多元正态分布函数意味着极端风险能够被相当容易地分散。然而对于资产收益率的尾部行为表现，它不是一个好的描述。