FRM模型十二：极值理论

stonesssssss

于 2024-02-29 23:02:06 发布

阅读量1.1k

点赞数 30

分类专栏： python for frm 文章标签： python 金融

本文链接：https://blog.csdn.net/stonesssssss/article/details/136373605

版权

极值理论是统计学研究随机变量极端尾部行为的方法，尤其适用于处理低频高损事件。在金融风险管理中，它通过GEV分布和POT方法来估算极端损失，如市场大跌和金融危机。GEV分布有三种类型，对应不同尾部形状。POT方法通过设定阈值捕捉极值，简化参数计算。代码实现进一步展示了如何计算VaR和ES。

摘要由CSDN通过智能技术生成

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
$\mu$ ：极端值的平均数

$\sigma$ ：极端值的标准差

$\epsilon$ ：形状参数，描述极值分布的尾部形状

当 $\epsilon>0$ ，服从Frechet分布，呈现出肥尾的特点。比如t分布，帕累托分布。
当 $\epsilon=0$ ，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 $\epsilon<0$ ，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。
在这里插入图片描述