歡迎來到「極端」的世界：極值理論簡介
你好！歡迎來到 CS2 學習旅程中最引人入勝的章節之一。到目前為止，你的學習重心可能大多放在「平均」結果上——也就是鐘形曲線（Bell Curve）的中間部分。但作為精算師，你不能只關注普通的車禍或平均預期壽命。你需要關注的是災難性事件。
極值理論（Extreme Value Theory, EVT）是統計學中專門處理分佈「尾部」的分支。它探討的是百年一遇的洪水、毀滅性的股市崩盤，或是可能讓公司破產的鉅額保險索償。本章將教導我們如何對這些罕見但影響巨大的事件進行建模。如果起初覺得數學看起來很艱深，別擔心——我們將會把它拆解開來，一點一點地攻克！
1. 為何我們需要 EVT？
想像一下你正在建造一道海堤。如果你只看平均潮汐，你的海堤會建得太矮，第一次大風暴就會把整個城鎮淹沒。你需要對最大可能的潮汐進行建模。
標準分佈（如常態分佈）往往會「低估」極端事件發生的頻率，因為它們的「尾部較薄」。EVT 提供了一種數學上嚴謹的方法，讓我們能夠估計那些在歷史數據中甚至可能尚未出現過的事件機率！
關鍵概念：兩種主要方法
在 CS2 中，我們專注於兩種研究極端值的方法：
1. 區塊極值法（Block Maxima Approach）：觀察固定時間間隔內的極大值（例如：每年最高的索償額）。
2. 閾值超出法（Peaks Over Threshold, POT）：觀察所有「突破限制」的數值（例如：每一筆超過 100 萬美元的索償）。
2. 區塊極值與 GEV 分佈
讓我們從區塊極值法開始。假設我們有一組獨立同分佈（i.i.d.）的隨機變數 \( X_1, X_2, \dots, X_n \)。我們定義極大值為：
\( M_n = \max(X_1, X_2, \dots, X_n) \)
Fisher-Tippett-Gnedenko 定理告訴我們，當 \( n \) 變得非常大時，這個極大值的分佈（經過適當的線性規格化後）會收斂到廣義極值分佈（Generalized Extreme Value (GEV) Distribution）。
GEV 公式
GEV 的累積分配函數（CDF）為：
\( H_{\gamma}(x) = \exp \left( -(1 + \gamma x)^{-1/\gamma} \right) \)
適用於 \( 1 + \gamma x > 0 \)，其中 \( \gamma \) (gamma) 是形狀參數（shape parameter）。這個參數決定了尾部有多「厚」。
GEV 的三種形態
根據 \( \gamma \) 的值，該分佈可分為三類：
• 第一類：Gumbel (\( \gamma = 0 \))：用於「輕尾」分佈，如指數分佈或常態分佈。取當 \( \gamma \to 0 \) 的極限，\( H_0(x) = \exp(-\exp(-x)) \)。尾部呈指數級衰減。
• 第二類：Fréchet (\( \gamma > 0 \))：這是「重尾」版本。這對精算師非常重要，因為它用於建模 Pareto 這類分佈，其中鉅額虧損的可能性較高。
• 第三類：Weibull (\( \gamma < 0 \))：這是有有限上限的「短尾」分佈。試想為一個最大可能的天花板——它不會趨向無限大。
重點複習：
- \( \gamma > 0 \)：重尾 (Fréchet) - 小心，後面有大額索償！
- \( \gamma = 0 \)：輕尾 (Gumbel) - 尾部較薄。
- \( \gamma < 0 \)：有限尾 (Weibull) - 有一個上限。
3. 閾值超出法 (POT) 與 GPD
雖然區塊極值法每個區塊只觀察一個值，但 POT 方法更有效率，因為它利用了所有「極端」的數據點。
如果我們選擇一個高閾值 \( u \)，我們感興趣的是在 \( X > u \) 的條件下，超出部分的數值：\( Y = X - u \)。
Pickands-Balkema-de Haan 定理指出，對於足夠高的閾值 \( u \)，這些超出部分的分佈會收斂到廣義帕累托分佈（Generalized Pareto Distribution, GPD）。
GPD 公式
超出部分 \( y \ge 0 \) 的 GPD CDF 為：
\( G_{\gamma, \beta}(y) = 1 - \left(1 + \frac{\gamma y}{\beta}\right)^{-1/\gamma} \) (當 \( \gamma \neq 0 \))
\( G_{\gamma, \beta}(y) = 1 - \exp\left(-\frac{y}{\beta}\right) \) (當 \( \gamma = 0 \))
這裡，\( \beta > 0 \) 是尺度參數（scale parameter），而 \( \gamma \) 就是在相應 GEV 中看到的同一個形狀參數！
你知道嗎？
GEV 和 GPD 之間有著直接的聯繫。如果一個數據集的區塊極值遵循形狀參數為 \( \gamma \) 的 GEV 分佈，那麼同一底層分佈對高閾值的超出部分，將遵循形狀參數完全相同為 \( \gamma \) 的 GPD。
4. 度量與比較尾部厚度
在 CS2 中，你需要能夠計算並詮釋尾部厚度的數學度量，以比較哪個分佈具有更厚的尾部。以下是四種主要工具：
1. 存活函數的極限比率
要比較兩個分佈 \( X_1 \) 和 \( X_2 \)（其存活函數分別為 \( \bar{F}_1(x) = P(X_1 > x) \) 和 \( \bar{F}_2(x) = P(X_2 > x) \)）的尾部厚度，可以檢視當 \( x \to \infty \) 時它們比率的極限：
\( \lim_{x \to \infty} \frac{\bar{F}_1(x)}{\bar{F}_2(x)} \)
• 若極限為 \( \infty \)：\( X_1 \) 的尾部比 \( X_2 \) 更厚。
• 若極限為 0：\( X_1 \) 的尾部比 \( X_2 \) 更薄。
• 若極限為有限正數常數 \( c > 0 \)：\( X_1 \) 與 \( X_2 \) 具有同等厚度的尾部。
2. 風險率（死亡效力）
風險率定義為 \( h(x) = \frac{f(x)}{\bar{F}(x)} \)。檢視當 \( x \to \infty \) 時 \( h(x) \) 的行為可以告訴我們尾部的特徵：
• 重尾：\( \lim_{x \to \infty} h(x) = 0 \)（例如：Pareto、對數常態分佈）。隨著數值增大，條件失效率下降。
• 中等 / 指數尾：\( \lim_{x \to \infty} h(x) = \lambda > 0 \)（例如：參數為 \( \lambda \) 的指數分佈）。
• 輕尾：\( \lim_{x \to \infty} h(x) = \infty \)（例如：常態分佈、形狀參數 \( > 1 \) 的 Gamma 分佈）。
3. 平均超出函數
平均超出函數是指索償在超過 \( u \) 的條件下，超出 \( u \) 的期望金額：
\( e(u) = E[X - u \mid X > u] = \frac{\int_u^{\infty} \bar{F}(x) \, dx}{\bar{F}(u)} \)
• 重尾：\( e(u) \) 隨 \( u \) 遞增（例如：Pareto 分佈，當 \( \alpha > 1 \) 時 \( e(u) = \frac{u + \lambda}{\alpha - 1} \)）。
• 無記憶性 / 輕尾：\( e(u) \) 為常數（例如：指數分佈，\( e(u) = 1/\lambda \)）。
• 短尾 / 有限上限：\( e(u) \) 隨 \( u \) 遞減。
4. 動差的存在性
重尾分佈通常在超過某個階數後動差便不存在。例如，對於形狀參數為 \( \alpha \) 的 Pareto 分佈，\( E[X^k] \) 僅在 \( k < \alpha \) 時存在。所有正階動差 \( E[X^k] \) 均存在的分佈（例如：常態、Gamma、指數分佈），其尾部比高階動差為無限大的分佈更薄。
5. 實務挑戰：選擇閾值
應用 POT 方法時，閾值 \( u \) 應該設多高呢？
• 如果 \( u \) 太高：你沒有足夠的數據點，導致參數方差過大。
• 如果 \( u \) 太低：漸近定理不成立，導致估計產生偏差。
平均超出圖：精算師會繪製樣本平均超出值對應不同 \( u \) 值的圖形。如果經驗圖在某一點之上大致呈現線性且向上傾斜，則表示具有 Pareto/GPD 尾部，並有助於選取合適的閾值 \( u \)。
6. 應避免的常見錯誤
1. 混淆 GEV 和 GPD：記住：GEV 用於區塊極值（每個區塊的最大觀測值）。GPD 用於高於閾值的超出值。
2. 忘記條件：GPD 公式僅適用於超出部分 \( Y = X - u \)，而非原始損失金額 \( X \)。
3. 誤解 \( \gamma \)：在標準形式中，\( \gamma > 0 \) 對應重尾（Fréchet / Pareto 型），\( \gamma = 0 \) 對應輕尾（Gumbel / 指數型），而 \( \gamma < 0 \) 對應有界上尾（Weibull 型）。
7. 總結與重點提示
• 目標：EVT 為損失分佈的極端尾部提供漸近模型。
• 區塊極值：使用廣義極值 (GEV) 分佈（Gumbel、Fréchet、Weibull）建模。
• 閾值超出：高閾值的超出部分使用廣義帕累托分佈 (GPD) 建模。
• 形狀參數 (\( \gamma \))：在 GEV 和 GPD 中完全相同；\( \gamma > 0 \) 代表重尾。
• 比較尾部厚度：可透過存活函數比率極限 \( \lim \bar{F}_1(x)/\bar{F}_2(x) \)、風險率行為 \( \lim h(x) \)、平均超出函數 \( e(u) \) 的斜率，以及高階動差的存在性來進行評估。