極値理論の世界へようこそ！

こんにちは！今日は、FRM Part IIのカリキュラムの中でも非常に興味深いテーマ、極値理論（Extreme Value Theory: EVT）について見ていきましょう。市場の暴落時に従来の伝統的なリスクモデルがなぜ機能しなくなるのか、疑問に思ったことはありませんか？実は、ほとんどの「標準的な」モデルは市場がベルカーブ（正規分布）に従うと仮定していますが、現実には「ブラックスワン（想定外の壊滅的事象）」は予測よりも頻繁に発生します。EVTは、この「考えられない事態」、つまり分布の遥か彼方のテール（裾野）で発生する巨大な損失を測定するためのツールキットなのです。

最初は少し数学的で難しく感じるかもしれませんが、大丈夫です。基本的な概念に分解し、現実の例え話を用いながら、試験で求められるポイントに絞って解説していきますね。


1. なぜ極値理論が必要なのか？

マーケットリスク管理では、よく正規分布が使われます。正規分布は日常的な価格変動を捉えるには優れていますが、市場の暴落を予測するには不向きであることが知られています。「裾が薄い（thin tails）」ため、極端な事象が発生する確率を過小評価してしまうからです。

一方、EVTを使えば、他のデータの分布を気にすることなく、分布のテール（端の部分）だけをモデリングできます。こう考えてみてください。100年に一度の洪水がどれほどの高さになるかを知りたいとき、晴れた火曜日の平均的な降水量は重要ではありませんよね？重要なのは、記録的な嵐のデータだけです。EVTは、金融におけるまさにその「嵐」を扱うための手法なのです。

重要なポイント： EVTは分布全体ではなく、テール（極端な事象）のみに焦点を当てることで、危機時のリスクをより正確に測定します。


2. EVTの2つの主要なアプローチ

極値を特定・モデリングするには、主に2つの方法があります。データをフィルタリングして「怖いもの」を探し出す、2種類の選別方法だと考えてください。

A. ブロック最大値法 (Block Maxima Method: BMM)

この手法では、データを同じサイズの「ブロック」（例えば1年や1四半期ごと）に分割し、各ブロックから最大の損失だけを抽出します。
例え： クラスの中で背の高い人を探したいとします。すべての教室に行き、その教室で一番背の高い人の身長だけを記録していくイメージです。

こうして得られたデータは、一般化極値（GEV）分布を用いてモデリングされます。

B. しきい値超過法 (Peaks-Over-Threshold: POT)

この手法では、高いしきい値（threshold） \(u\) を設定し、その値を超えたすべてのデータを対象にします。
例え： 教室ごとに1人選ぶのではなく、廊下に立って身長が183cm（6フィート）を超える人全員を測定するイメージです。

得られたデータ（超過分）は、一般化パレート分布（GPD）を用いてモデリングされます。現代のリスク管理では、データをより効率的に活用できるため、POT法が一般的に好まれています。

クイックヒント： 試験で「Block Maxima」とあればGEV、「Threshold」とあればGPDを連想しましょう。


3. テール指数 (\(\xi\)) の理解

EVTにおいて最も重要なパラメータが、しばしば \(\xi\) (クシー) と表記される形状パラメータです。これはテールの「厚み」がどれくらいあるかを示します。

  • \(\xi > 0\) の場合： 厚いテール（Heavy-Tailed）（フレシェ型）。金融（株式や通貨など）で最も一般的なケースです。\(\xi\) が大きいほど、テールは厚くなります。
  • \(\xi = 0\) の場合： 薄いテール（Thin-Tailed）（ガンベル型）。正規分布や対数正規分布のような形状です。
  • \(\xi < 0\) の場合： 短いテール（Short-Tailed）（ワイブル型）。損失の大きさに物理的な上限がある場合を指します。

よくある間違い： 受験生は \(\xi\) とテール指数（\(\alpha\)）を混同しがちです。教科書によっては \( \alpha = 1 / \xi \) という関係で示されます。とにかく「\(\xi\) が大きいほど極端なリスクが高い」と覚えておけばOKです！


4. 一般化パレート分布 (GPD)

POT法が業界標準である以上、GPDの式を理解しておく必要があります。記号に怯える必要はありませんよ！

GPDの累積分布関数は以下の通りです：
\( F(y) = 1 - (1 + \frac{\xi y}{\beta})^{-1/\xi} \)

ここで：
\(y\) = 超過損失（損失額マイナスしきい値）
\(\xi\) = 形状パラメータ（テールの厚み）
\(\beta\) = 尺度パラメータ（データの「広がり」）

豆知識： GPDは「テールのための分布」と呼ばれています。しきい値 \(u\) を高くしていくと、超過分の分布はほとんどの場合GPDに収束します。これはピッカーズ・バルケマ・デハーンの定理として知られています。


5. EVTを用いたVaRと期待ショートフォール (ES) の計算

FRMにおいてEVTを学ぶ目的は、99.9%のような極端な信頼水準において、VaR（Value at Risk）や期待ショートフォール（ES）をより正確に計算することにあります。

ステップ・バイ・ステップ：VaRの計算

高い信頼水準 (\(cl\)) でのVaRを求めるには：
1. しきい値 \(u\) を設定する。
2. 全観測数 (\(n\)) と、しきい値を超えた観測数 (\(n_u\)) を数える。
3. 次の公式を使用する：
\( VaR = u + \frac{\beta}{\xi} [ (\frac{n}{n_u} (1-cl))^{-\xi} - 1 ] \)

ステップ・バイ・ステップ：ESの計算

GPDの優れた点は、一度VaRを求めてしまえば、ESは比較的シンプルに算出できることです：
\( ES = \frac{VaR + \beta - \xi u}{1 - \xi} \)

重要なポイント： EVTを使えば、テール部分を「外挿（extrapolate）」できます。過去10年のデータで100年に一度のイベントを経験したことがなくても、数学的な手法でそのリスクを推定できるのです。


6. 課題と限界

EVTは魔法ではありません。以下のような問題点があります：

  • しきい値の選択： これが最大の問題です。しきい値 \(u\) を高くしすぎると、パラメータ推定に必要なデータ数が足りなくなります。低すぎると、真に「極端」なデータではなくなり、モデルが機能しなくなります。
  • パラメータの不確実性： 少数のデータ（極端な値のみ）で作業するため、\(\xi\) や \(\beta\) の推定値が非常に不安定になりやすいです。
  • データへの要求： モデルを信頼できるものにするには、十分な数の極端なイベントを含む長期間の履歴データが必要です。

クイック復習ボックス：
- GEV = ブロック最大値法（期間ごとに最大値をとる）。
- GPD = しきい値超過法（一定ラインを超えたすべてをとる）。
- \(\xi > 0\) = 厚いテール（「金融」のケース）。
- \(\xi\) は形状（形）、\(\beta\) は尺度（広がり）。


まとめチェックリスト

次に進む前に、以下のことができるか確認しましょう：
1. なぜ正規分布はEVTに比べてリスクを過小評価するのかを説明できる。
2. ブロック最大値法と、しきい値超過法の違いを区別できる。
3. 形状パラメータ \(\xi\) に基づき、3種類のテール挙動を特定できる。
4. GPDが、高いしきい値を超えたデータのモデリングに使われることを理解している。

この調子です！銀行を守るために世界中のリスクマネージャーが使っているツールを習得しつつありますよ。あなたなら絶対に大丈夫です！