7.2 極端值理論與尾部風險#

本章導言#

1963 年，Benoît Mandelbrot 檢視美國棉花的週價格變動資料，發現一個令當時統計學家尷尬的事實：價格變動的分布有著極厚的尾巴，若以常態分布擬合，「三倍標準差事件」應當數百年才出現一次，實際上卻每隔幾年就來一回；他進一步指出這些資料的變異數幾乎不存在。Fama 在 1965 年以股票資料得到同樣結論，兩人共同揭開了金融計量的一個長期傷口：常態假設在中央很好、在尾端完全失效，而所有損失真正發生的地方正是尾端。1987 年單日 −22.6%（9.2 節）、1998 年避險基金連環違約、2008 年（9.3 節）等事件，反覆證明「幾乎不可能」的事件其實很常見。處理「分布最右端那一小塊」的數學，是極端值理論（extreme value theory, EVT）。

兩條路線：區塊最大值與超額分布#

EVT 有兩個互相補充的分支，其地位相當於機率論的中央極限定理——只不過 CLT 管平均、EVT 管極端。

路線一：區塊最大值（GEV）。把資料切成長度 \(n\) 的區塊，取每塊的最大值 \(M_n\) ，則在適當條件下 \(M_n\) 的極限分布必為廣義極值分布

\[ G(x)=\exp\!\left\{-\left(1+\xi\frac{x-\mu}{\sigma}\right)^{-1/\xi}\right\}, \]

這就是 Fisher–Tippett–Gnedenko 定理（1928／1943）。參數 \(\xi\) （尾指數）決定尾巴歸屬哪一個「吸引域」：

域	\(\xi\)	分布	尾部	例子
Gumbel	\(\xi\to0\)	指數型	薄尾	常態、對數常態
Fréchet	\(\xi>0\)	多項式型	厚尾 \(\Pr(X>x)\sim x^{-1/\xi}\)	Pareto、穩定分布
Weibull	\(\xi<0\)	有上界	有限端點	有界收益

路線二：門檻超額（POT/GPD）。設門檻為 \(u\) ，只研究超過 \(u\) 的部分 \(Y=X-u\mid X>u\) 。Pickands（1975）證明：只要 \(u\) 足夠高，超額分布近似廣義帕累托分布（GPD），其生存函數為

\[ \Pr(Y>y)\approx\left(1+\xi\frac{y}{\beta}\right)^{-1/\xi}. \]

GPD 的美妙之處在於平均超額函數對 \(u\) 是線性的，這可以用來檢驗擬合是否恰當。實務上 POT 比 GEV 更受歡迎，因為它把所有超標資料都用上，不像區塊最大值每塊只留一個點。

例題 7.2.1#

例題 7.2.1：某部位 1000 個日損益中，超過 2% 日虧損的有 50 筆。對這 50 筆擬合 GPD，得 \(\xi=0.3\) 、 \(\beta=0.006\) （0.6%）。求（i）99% 的 1 日 VaR；（ii）99% 的期望短缺 ES；（iii）若改用常態（ \(\sigma=1\%\) ）擬合，「超過 3.24%」的日虧損多久出現一次？

解：（i）POT 的 VaR 公式為

\[ \mathrm{VaR}_\alpha=u+\frac{\beta}{\xi}\left[\left(\frac{n}{N_u}(1-\alpha)\right)^{-\xi}-1\right]. \]

代入 \(\frac{n}{N_u}(1-\alpha)=\frac{1000}{50}\times0.01=0.2\) ：

\[ 0.2^{-0.3}=e^{0.3\times1.60944}=1.6208,\qquad \mathrm{VaR}_{0.99}=0.02+\frac{0.006}{0.3}(1.6208-1)=0.02+0.01242=3.24\%. \]

（ii）GPD 的超額期望 \(\mathbb{E}[Y\mid Y>0]=\dfrac{\beta}{1-\xi}\) ，對應的 ES 公式：

\[ \mathrm{ES}_{0.99}=\mathrm{VaR}+\frac{\beta+\xi(\mathrm{VaR}-u)}{1-\xi} =0.03242+\frac{0.006+0.3\times0.01242}{0.7}=0.03242+0.01389=4.63\%. \]

（iii）常態下 \(z=3.242\) ， \(\Pr(X>3.24\%)\approx6.0\times10^{-4}\) ，即約每 1658 個交易日出現一次，以每年 252 個交易日計約 6.6 年；而 GPD 的設定告訴我們它其實是每年 1%（約每 4 年），中間相差一個數量級。這就是尾部模型的價值：VaR 從 3.24% 起跳、ES 達 4.63%，比常態的想像嚴重得多。

再看一個結構性警告：GPD 的變異數 \(\dfrac{\beta^2}{(1-\xi)^2(1-2\xi)}\) 僅在 \(\xi<\tfrac12\) 時有限。本例 \(\xi=0.3\) ，變異數尚存；一旦 \(\xi\ge0.5\) ，變異數本身不存在，3.1 節整套均值變異數工具、以及依賴 \(\sigma\) 的參數法 VaR（7.1 節）在數學上就失去基礎。

超越常態：三個實務結論#

第一，門檻不是越高越好： \(u\) 太低則 GPD 近似失效，太高則樣本太少、估計變異數爆炸，這是典型的偏差—變異數權衡，實務常以平均超額圖的線性區段選 \(u\) 。第二，體制不同不能混用：牛熊市的 \(\xi\) 常明顯不同，混合估計會把「平靜期的大量樣本」灌進尾部，低估風險。第三，相關性會在危機中同步惡化：單一資產的厚尾加上 7.1 節所說的相關性失效，才是組合層級的真正尾部，這也是 Expected Shortfall 成為巴塞爾 FRTB 主指標的原因。

前因後果與驅動關係#

實務如何逼出數學：保險業最早提出需求——火災、地震、颶風的損失天生是「少數大額」分布，再保與巨災債的定價必須知道第 99 個百分位以後的事（第 8 章）；銀行則因 1998 年俄債違約與避險基金連鎖平倉，發現自己的 VaR 模型低估尾部數倍。EVT 的三件套（Fisher–Tippett–Gnedenko 定理、Pickands–Balkema–de Haan 的 GPD 近似、門檻選擇方法）在 1970–1990 年間完成，Embreechts 等人 1997 年的《Modelling Extremal Events for Insurance and Finance》把它整批移植進金融。

理論成熟後如何改變市場：巴塞爾委員會 2009 年採用 97.5% 期望短缺，2016 年後的 FRTB 更要求以歷史模擬 ES 作為交易帳簿的內部模型法主指標，VaR 從主角退為參考；保險監理（Solvency II、台灣 ICS）同樣以分位數與尾部資本為核心。EVT 也讓「壓力測試情境」從管理階層的想像，變成有機率標籤的量化物件。風險度量的重心由「中央」移到「尾端」，可視為 7.1 節分位數思想的徹底完成。

7.1 節：VaR/ES 的定義是本節的輸出端； \(\xi\ge\tfrac12\) 時參數法失效。
3.1 節、3.2 節：均值變異數與有效前緣建立在變異數有限的假設上，本節標出其適用邊界。
7.3 節、9.3 節：信用違約的厚尾與相關性破產，是 EVT 與 copula 兩種尾部工具的競合場。
第 8 章：再保險與巨災風險的定價，是 EVT 最古老的應用現場。
《機率統計》第 3 章、第 5 章：常態分布與中央極限定理處理「平均的穩定」，本節處理「極端的不穩定」，兩者互為補充而非矛盾。
《經濟的數學》第 9 章：厚尾使期望效用的計算對分布細節極度敏感，是不確定性決策的困難來源。
《管理的數學》第 4 章：排隊論中「服務時間厚尾」造成的壅塞，與金融尾部是同一類數學現象。

名詞速查表#

極端值理論：研究最大值與超額量極限分布的機率分支。
GEV 分布：區塊最大值的三參數極限分布，由 \(\xi\) 分為三個吸引域。
**尾指數 \(\xi\) **：決定尾部衰減速度； \(\xi>0\) 為多項式厚尾。
POT／GPD：超過高門檻的超額量近似服從廣義帕累托分布。
平均超額函數： \(\mathbb{E}[X-u\mid X>u]\) 對 \(u\) 的圖形，GPD 下為線性。
Hill 估計量：以對數順序統計平均估計 \(\xi\) 的經典非參數方法。

練習#

承例題 7.2.1，若門檻改為 \(u=3\%\) 、 \(N_u=15\) ，其餘參數不變，重算 99% VaR，並比較門檻提高對結果的影響。
GPD 參數 \(\xi=0.1\) 、 \(\beta=0.005\) ，求 \(\alpha=0.99\) 的 VaR 與 ES（提示：先算 \(n/N_u(1-\alpha)\) ，設 \(n/N_u=20\) ）。
設 \(\xi=0.6\) ，驗證 GPD 變異數公式的分母 \(1-2\xi\) 為負，說明此時為何不能用 7.1 節的參數法 VaR。
若 1000 筆日損益中有 10 筆超過門檻（ \(N_u=10\) ），求「期望每年約有幾天超過門檻」，並說明此估計的資料位置與不確定性。
思考題：常態模型下「6.6 年一次」的事件，GPD 模型說「4 年一次」。若你的公司據常態模型只準備了較少資本，這在數學上是估計誤差還是模型錯誤？請從偏差—變異數與「假設檢定能否否證尾部」兩個角度討論，並連結《機率統計》第 9 章的檢定理論。

進階研讀：尾部數學的三個深化場景#

場景一：Hill 估計量的斜率診斷。對 \(\xi > 0\) 的厚尾資料，Hill 估計 \(\hat{\xi} = \frac{1}{k} \sum_{i=1}^{k} \ln \frac{X_{(n-i+1)}}{X_{(n-k)}}\) 依賴「取多少個極端值 \(k\) 」： \(k\) 太小則變異數爆炸、太大則混入非尾部資料產生偏差。實務上畫 \(\hat{\xi}\) 對 \(k\) 的曲線找「平台」，這是極值統計最依賴圖形判斷的一步。S&P 500 日報酬的 \(\hat{\xi}\) 穩定在 0.2–0.4 之間——四階矩不存在、三階矩勉強：「平均值夠了、標準差勉強、偏度已不可靠」是市場報酬的常態，這也是 3.1 節均值—變異數架構必須被 7.2 節補完的統計原因。

場景二：條件極值——危機中的尾部會自己變化。靜態 GPD 假設尾部參數不變，但 9.2 節顯示波動率聚集使「今天在哪個機制」影響尾部。McNeil–Frey（2000）的兩步法成為業界標準：先用 GARCH（含 EWMA）建條件波動率，再對標準化殘差做 POT——即「先剝掉波動率的時間變化，再對剩餘的尾部做極值」。巴塞爾內部模型法允許的正是這類條件極值模型：監管接受厚尾，前提是厚尾被動態地估計。

場景三：從極值到壓力測試——尾部的兩種語言。極值理論說「尾部服從 GPD，參數由資料估」，壓力測試說「想像一個歷史上沒發生的情況」。兩者互補：前者是資料驅動的外插（信賴區間寬，因為尾部樣本少），後者是情景驅動的內插（可含 1987、2008 的結構知識，但選景有任意性）。FRTB 的設計把兩者接起來：97.5% ES 管日常尾部、壓力期校準管非常態期——監管資本 = 統計尾部 + 歷史創傷。與 9.3 節合觀：危機後監管的核心教訓正是「相依結構在尾部會變」，極值理論對單變數尾部有效，多變數尾部（copula 的尾部相依）仍是未竟的研究前沿。

深化問答三則#

問：為什麼極值理論只看「超過門檻的部分」反而是更有效率的估計？ 答：因為它只對尾部建模，把分布主體（占資料 95% 以上）交給別的方法。分位數越高，經驗分位數的相對誤差越大——99.9% 分位在 1000 筆資料中對應「第 0.1 大」，樣本根本不夠。POT 把「超額量的形狀」用全部超額樣本估出，再以 GPD 的參數形式外插到樣本之外的尾部——這是用「分布族的先驗形狀」換「樣本量的不足」，與 7.1 節參數法用常態假設換計算速度，是同一種交易，只是賭注押在更有理論根據的極限定理上（Fisher–Tippett–Gnedenko）。

問：平均超額函數為什麼能診斷「該不該用 GPD」？ 答：GPD 的一個特性是平均超額函數為線性： \(\mathbb{E}[X - u \mid X > u] = \frac{\beta + \xi u}{1 - \xi}\) ，是 \(u\) 的直線（斜率 \(\xi/(1-\xi) > 0\) ）。把實際資料的經驗平均超額對 \(u\) 作圖，若在足夠高的 \(u\) 之後呈直線，就同時選定了門檻並支持了 GPD 假設——一張圖同時做模型選擇與參數診斷，這是極值理論工程性的體現。

問： \(\xi\) 的經濟含義是什麼？為什麼監管者怕 \(\xi \ge 0.5\) ？ 答： \(\xi\) 決定尾部多項式衰減的次數： \(\xi = 0\) （常態）指數衰減、 \(\xi = 0.25\) 四階矩存在、 \(\xi \ge 0.5\) 變異數無限。變異數無限時，大數法則的收斂速度失去意義、7.1 節參數法 VaR 的全部統計推論失效、資本無法以「標準差 × 乘數」的方式計算——整座以二階矩為地基的風險管理大廈（3.1 節 Markowitz、7.1 節 VaR）在 \(\xi \ge 0.5\) 的世界裡沒有地基。所幸多數金融報酬的 \(\hat{\xi} < 0.5\) ，但個別信用損失與操作風險資料常落在 0.5 以上——不是所有風險都住得進同一座數學大廈。

（本節完）