傳統做法 (只看 Cointegration)：找到長期走在一起的配對 → 偏離時反向操作 → 等價差回歸。
問題：假設殘差是「常態分布」，也就是認為大跌大漲出現的機率很低且對稱。但現實中股市崩盤比你想的更常發生，而且崩的時候所有股票都一起跌！

加入 Copula 後：額外分析「當極端事件發生時，這兩檔股票的連動有多強」。
• 如果下跌時連動很強 → 你的配對交易在股災時可能失效（兩邊一起虧）
• 如果上漲和下跌的連動不對稱 → 你可以調整部位比例，更聰明地下注

白話結論：Cointegration 找「該不該配對」，Copula 告訴你「配對的風險在哪裡」。
兩個一起看，你的交易訊號會更穩、更不容易被黑天鵝事件打爆。

最簡單的理解：Copula 是一個數學工具，用來描述「兩個東西一起變動的方式」。

舉個例子：想像你在觀察兩個人的考試成績
• 相關係數 (correlation) 只告訴你：「他們成績是正相關」（一個考好，另一個也傾向考好）
• 但 Copula 能告訴你更多：「當兩個人都考很爛的時候，他們的分數特別接近」（下尾依賴）
• 或者：「他們平常相關性普通，但只要一個爆高分，另一個也會爆高分」（上尾依賴）

技術上在做什麼？
1️⃣ 把每檔股票的報酬率「排名轉換」成 0~1 之間的數字（叫做 pseudo-observations）
2️⃣ 用不同形狀的 Copula 函數去「配適」這些轉換後的資料
3️⃣ 看哪個 Copula 最合適 → 就知道這對股票的依賴結構長什麼樣

常見的 Copula 類型：
• Gaussian：最普通的相關，就像常態分布，極端事件時連動不強
• Student-t：上下兩端都有額外的連動（厚尾）
• Clayton：專門捕捉「一起暴跌」的傾向（下尾依賴）
• Gumbel：專門捕捉「一起暴漲」的傾向（上尾依賴）
• Frank：上下對稱，沒有特別偏向哪一邊
• BB7/SJC：最靈活，上下尾可以不對稱