欢迎来到“极端”的世界：极值理论简介
你好！欢迎来到 CS2 学习旅程中最引人入胜的章节之一。到目前为止，你的学习重心可能大多放在“平均”结果上——也就是钟形曲线（Bell Curve）的中间部分。但作为精算师，你不能只关注普通的车祸或平均预期寿命。你需要关注的是灾难性事件。
极值理论（Extreme Value Theory, EVT）是统计学中专门处理分布“尾部”的分支。它探讨的是百年一遇的洪水、毁灭性的股市崩盘，或是可能让公司破产的巨额保险索赔。本章将教导我们如何对这些罕见但影响巨大的事件进行建模。如果起初觉得数学看起来很艰深，别担心——我们将会把它拆解开来，一点一点地攻克！
1. 为何我们需要 EVT？
想象一下你正在建造一道海堤。如果你只看平均潮汐，你的海堤会建得太矮，第一次大风暴就会把整个城镇淹没。你需要对最大可能的潮汐进行建模。
标准分布（如正态分布）往往会“低估”极端事件发生的频率，因为它们的“尾部较薄”。EVT 提供了一种数学上严谨的方法，让我们能够估计那些在历史数据中甚至可能尚未出现过的事件概率！
关键概念：两种主要方法
在 CS2 中，我们专注于两种研究极端值的方法：
1. 区块极值法（Block Maxima Approach）：观察固定时间间隔内的极大值（例如：每年最高的索赔额）。
2. 阈值超出法（Peaks Over Threshold, POT）：观察所有“突破限制”的数值（例如：每一笔超过 100 万美元的索赔）。
2. 区块极值与 GEV 分布
让我们从区块极值法开始。假设我们有一组独立同分布（i.i.d.）的随机变量 \( X_1, X_2, \dots, X_n \)。我们定义极大值为：
\( M_n = \max(X_1, X_2, \dots, X_n) \)
Fisher-Tippett-Gnedenko 定理告诉我们，当 \( n \) 变得非常大时，这个极大值的分布（经过适当的线性规格化后）会收敛到广义极值分布（Generalized Extreme Value (GEV) Distribution）。
GEV 公式
GEV 的累积分布函数（CDF）为：
\( H_{\gamma}(x) = \exp \left( -(1 + \gamma x)^{-1/\gamma} \right) \)
适用于 \( 1 + \gamma x > 0 \)，其中 \( \gamma \) (gamma) 是形状参数（shape parameter）。这个参数决定了尾部有多“厚”。
GEV 的三种形态
根据 \( \gamma \) 的值，该分布可分为三类：
• 第一类：Gumbel (\( \gamma = 0 \))：用于“轻尾”分布，如指数分布或正态分布。取当 \( \gamma \to 0 \) 的极限，\( H_0(x) = \exp(-\exp(-x)) \)。尾部呈指数级衰减。
• 第二类：Fréchet (\( \gamma > 0 \))：这是“重尾”版本。这对精算师非常重要，因为它用于建模 Pareto 这类分布，其中巨额亏损的可能性较高。
• 第三类：Weibull (\( \gamma < 0 \))：这是有有限上限的“短尾”分布。试想为一个最大可能的天花板——它不会趋向无限大。
重点复习：
- \( \gamma > 0 \)：重尾 (Fréchet) - 小心，后面有大额索赔！
- \( \gamma = 0 \)：轻尾 (Gumbel) - 尾部较薄。
- \( \gamma < 0 \)：有限尾 (Weibull) - 有一个上限。
3. 阈值超出法 (POT) 与 GPD
虽然区块极值法每个区块只观察一个值，但 POT 方法更有效率，因为它利用了所有“极端”的数据点。
如果我们选择一个高阈值 \( u \)，我们感兴趣的是在 \( X > u \) 的条件下，超出部分的数值：\( Y = X - u \)。
Pickands-Balkema-de Haan 定理指出，对于足够高的阈值 \( u \)，这些超出部分的分布会收敛到广义帕累托分布（Generalized Pareto Distribution, GPD）。
GPD 公式
超出部分 \( y \ge 0 \) 的 GPD CDF 为：
\( G_{\gamma, \beta}(y) = 1 - \left(1 + \frac{\gamma y}{\beta}\right)^{-1/\gamma} \) (当 \( \gamma \neq 0 \))
\( G_{\gamma, \beta}(y) = 1 - \exp\left(-\frac{y}{\beta}\right) \) (当 \( \gamma = 0 \))
这里，\( \beta > 0 \) 是尺度参数（scale parameter），而 \( \gamma \) 就是在相应 GEV 中看到的同一个形状参数！
你知道吗？
GEV 和 GPD 之间有着直接的联系。如果一个数据集的区块极值遵循形状参数为 \( \gamma \) 的 GEV 分布，那么同一底层分布对高阈值的超出部分，将遵循形状参数完全相同为 \( \gamma \) 的 GPD。
4. 度量与比较尾部厚度
在 CS2 中，你需要能够计算并诠释尾部厚度的数学度量，以比较哪个分布具有更厚的尾部。以下是四种主要工具：
1. 生存函数的极限比率
要比较两个分布 \( X_1 \) 和 \( X_2 \)（其生存函数分别为 \( \bar{F}_1(x) = P(X_1 > x) \) 和 \( \bar{F}_2(x) = P(X_2 > x) \)）的尾部厚度，可以检视当 \( x \to \infty \) 时它们比率的极限：
\( \lim_{x \to \infty} \frac{\bar{F}_1(x)}{\bar{F}_2(x)} \)
• 若极限为 \( \infty \)：\( X_1 \) 的尾部比 \( X_2 \) 更厚。
• 若极限为 0：\( X_1 \) 的尾部比 \( X_2 \) 更薄。
• 若极限为有限正数常数 \( c > 0 \)：\( X_1 \) 与 \( X_2 \) 具有同等厚度的尾部。
2. 风险率（死亡效力）
风险率定义为 \( h(x) = \frac{f(x)}{\bar{F}(x)} \)。检视当 \( x \to \infty \) 时 \( h(x) \) 的行为可以告诉我们尾部的特征：
• 重尾：\( \lim_{x \to \infty} h(x) = 0 \)（例如：Pareto、对数正态分布）。随着数值增大，条件失效率下降。
• 中等 / 指数尾：\( \lim_{x \to \infty} h(x) = \lambda > 0 \)（例如：参数为 \( \lambda \) 的指数分布）。
• 轻尾：\( \lim_{x \to \infty} h(x) = \infty \)（例如：正态分布、形状参数 \( > 1 \) 的 Gamma 分布）。
3. 平均超出函数
平均超出函数是指索赔在超过 \( u \) 的条件下，超出 \( u \) 的期望金额：
\( e(u) = E[X - u \mid X > u] = \frac{\int_u^{\infty} \bar{F}(x) \, dx}{\bar{F}(u)} \)
• 重尾：\( e(u) \) 随 \( u \) 递增（例如：Pareto 分布，当 \( \alpha > 1 \) 时 \( e(u) = \frac{u + \lambda}{\alpha - 1} \)）。
• 无记忆性 / 轻尾：\( e(u) \) 为常数（例如：指数分布，\( e(u) = 1/\lambda \)）。
• 短尾 / 有限上限：\( e(u) \) 随 \( u \) 递减。
4. 矩的存在性
重尾分布通常在超过某个阶数后矩便不存在。例如，对于形状参数为 \( \alpha \) 的 Pareto 分布，\( E[X^k] \) 仅在 \( k < \alpha \) 时存在。所有正阶矩 \( E[X^k] \) 均存在的分布（例如：正态、Gamma、指数分布），其尾部宽高阶矩为无限大的分布更薄。
5. 实务挑战：选择阈值
应用 POT 方法时，阈值 \( u \) 应该设多高呢？
• 如果 \( u \) 太高：你没有足够的数据点，导致参数方差过大。
• 如果 \( u \) 太低：渐近定理不成立，导致估计产生偏差。
平均超出图：精算师会绘制样本平均超出值对应不同 \( u \) 值的图形。如果经验图在某一点之上大致呈现线性且向上倾斜，则表示具有 Pareto/GPD 尾部，并有助于选取合适的阈值 \( u \)。
6. 应避免的常见错误
1. 混淆 GEV 和 GPD：记住：GEV 用于区块极值（每个区块的最大观测值）。GPD 用于高于阈值的超出值。
2. 忘记条件：GPD 公式仅适用于超出部分 \( Y = X - u \)，而非原始损失金额 \( X \)。
3. 误解 \( \gamma \)：在标准形式中，\( \gamma > 0 \) 对应重尾（Fréchet / Pareto 型），\( \gamma = 0 \) 对应轻尾（Gumbel / 指数型），而 \( \gamma < 0 \) 对应有界上尾（Weibull 型）。
7. 总结与重点提示
• 目标：EVT 为损失分布的极端尾部提供渐近模型。
• 区块极值：使用广义极值 (GEV) 分布（Gumbel、Fréchet、Weibull）建模。
• 阈值超出：高阈值的超出部分使用广义帕累托分布 (GPD) 建模。
• 形状参数 (\( \gamma \))：在 GEV 和 GPD 中完全相同；\( \gamma > 0 \) 代表重尾。
• 比较尾部厚度：可透过生存函数比率极限 \( \lim \bar{F}_1(x)/\bar{F}_2(x) \)、风险率行为 \( \lim h(x) \)、平均超出函数 \( e(u) \) 的斜率，以及高阶矩的存在性来进行评估。