极值理论介绍
在风险管理中,将事件分为高频高损、高频低损、低频高损、低频低损。其中低频高损是一种非常棘手的损失事件,常出现在市场大跌、金融体系崩溃、金融危机以及自然灾害等事件中。
由于很难给极端事件一个准确的定义,所以可观测的历史数据非常少。这种问题不仅仅出现在风险管理领域,在其他行业也很普遍。
极值理论(Extreme-value theory )是统计学的一种专门用于研究随机变量分布的极端尾部行为。与一般的中心趋势型统计方法不同,中心趋势性统计方法核心是中心极限定理,但是极端值无法应用中心极限定理(中心极限定理假设样本数量足够大时服从正态分布)。
GEV
假设一个随机损失变量X是独立同分布的(iid)。从F(x)中抽取的一个样本大小为n,且该样本的最大值为M(如果n很大,我们可以把M看作一个极值)。根据Fisher-Tippett定理,当n变大时,极值(即Mn)的分布收敛到下面的广义极值(GEV)分布
其中
μ \mu μ:极端值的平均数
σ \sigma σ:极端值的标准差
ϵ \epsilon ϵ:形状参数,描述极值分布的尾部形状
当 ϵ > 0 \epsilon>0 ϵ>0,服从Frechet分布,呈现出肥尾的特点。比如t分布,帕累托分布。
当 ϵ = 0 \epsilon=0 ϵ=0,服从Gumbel分布,呈现出指数型尾部,尾部相对瘦(light)。比如正态分布,对数正态分布。
当 ϵ < 0 \epsilon<0 ϵ<0,服从Weibull分布,呈现出比正态分布尾部更瘦的形态。该分布尤其不适用在金融实证中,由于金融数据一般呈现肥尾的特点。
POT
GEV在实际应用中可能会漏掉极值点,POT在此基础上进行改良,先设定一个阈值(th