近十多年来,由于破产案例增多、信用衍生产品规模急剧膨胀等因素促使人们在理论和实际工作中不断加强对信用风险的研究。单一资产的信用风险分析已经发展出被广泛采用的结构模型和强度模型,而资产组合的信用风险分析则远未成熟。因此,本文中我们的视角将集中于和资产组合有关的信用风险管理与定价。分析资产组合的信用风险和分析单资产信用风险的最大不同是:为构造违约时间的联合分布函数需要知悉违约时间之间的依赖关系。不同债务人在违约时间上的依赖关系主要有三个来源:其一是各个债务人可能面对共同的违约驱动因素,例如,经济衰退造成许多企业共同违约;其二是违约的传染,即一个企业的违约导致其他企业信用或资金链断裂而相继违约。第三是投资人可能从一个企业的违约事件中推断其它企业的信息,从而改变对企业违约概率的判断。已有的方法及其缺陷在分析组合的信用风险时,需要了解损失或违约时间等变量的联合分布。传统方法通过正态分布假设使问题得以解决,这一假设在两个方面简化了问题:(1)在构造联合分布方面:只需知道各变量的一维边缘分布和变量之间的相关系数就可以构造出整体的联合分布函数。(2)在风险测度方面:在正态分布假设下方差是一致的风险测度。为计算组合的方差只需计算单变量的方差及两两之间的相关系数,因此十分容易估计和处理。其实,只要变量服从球分布或椭分布上述2个性质也成立,但违约损失数据通常不服从于椭分布,Junker & May(2002)以及Malevergne & Sornette(2004)的实证研究表明在波动性增加或熊市背景中使用正态分布将严重低估多重违约给组合造成的损失。因此,需要发展出更具有一般性的工具来模型化变量之间的依赖关系,这一新工具就是——Copula函数。自从L(i2000)引入Copula函数以来,Schonbucher & Schubert(2001), Mashal & Naldi(2003), Di Clementa A. & Romano C. (2004), Meneguzzo, D. & W. Vecchiato (2004)等仔细分析了Copula函数在信用风险管理和定价理论中的应