Copula 把随机向量的「边际分布」与「依赖结构」干净分离：Sklar 定理告诉我们，任何连续边际的联合 CDF 都可以唯一分解为 $F(x_1, x_2) = C(F_1(x_1), F_2(x_2))$，其中 $C: [0,1]^2 \to [0,1]$ 是单位正方形上边际为均匀分布的 CDF。Clayton copula 是建模「下尾聚集」最经典的参数族——小值同时出现，大值反而独立。这正是信用组合里联合违约的实证特征（坏景气下公司一起垮，好景气下相互独立）、保险组合里大额联合理赔、操作风险里传染式联动的指纹。二元 Clayton 的 CDF 是 $C_\theta(u_1, u_2) = (u_1^{-\theta} + u_2^{-\theta} - 1)^{-1/\theta}$（$\theta > 0$），$\theta \to 0^+$ 给出独立、$\theta \to \infty$ 给出完全单调（$U_1 = U_2$）。Kendall's tau 有简洁形式 $\tau = \theta / (\theta + 2)$，下尾依赖系数 $\lambda_L = 2^{-1/\theta}$，两者关于 $\theta$ 单调，参数直观可解释。