「めったに起こらないこと」の世界へようこそ：極値理論入門

こんにちは！CS2の学習において、最も魅力的な章の一つへようこそ。これまでの学習では、「平均的な」結果、つまりベルカーブ（正規分布）の中央値について多くの時間を割いてきたことでしょう。しかし、アクチュアリーとして考えるべきは、平均的な交通事故や平均余命だけではありません。私たちが最も警戒すべきなのは、破滅的な事象（カタストロフィ）です。

極値理論（Extreme Value Theory: EVT）は、分布の「裾（テール）」を扱う統計学の分野です。100年に一度の洪水、株式市場の暴落、あるいは会社の破綻を招きかねないような巨額の保険金請求など、稀ではあるが影響の大きい事象をモデル化する方法を学びます。最初は数式が難しく見えるかもしれませんが、大丈夫です。一つひとつ丁寧に紐解いていきましょう！

1. なぜEVTが必要なのか？

例えば、防波堤を建設するとしましょう。もし「平均的な」潮位だけを見て壁を作ったら、最初の大きな嵐で町は飲み込まれてしまうでしょう。私たちは「最大」の潮位をモデル化する必要があるのです。

正規分布のような標準的な分布は、極端な事象がどれくらいの頻度で起こるかを過小評価しがちです。これらは「薄い裾（Thin tails）」を持っているからです。EVTを使えば、過去のデータでは一度も見たことがないような事象であっても、その発生確率を数学的に裏付けられた方法で推定できるようになります！

キーコンセプト：2つの主要なアプローチ

CS2では、極値を調べるための2つの方法に注目します：
1. ブロック最大値（Block Maxima）法： 一定期間ごとの最大値を見る（例：各年の最大保険金請求額）。
2. 閾値超過（Peaks Over Threshold: POT）法： 「境界線」を超えたすべての値を見る（例：100万ドルを超えたすべての請求額）。

2. ブロック最大値とGEV分布

まずはブロック最大値から始めましょう。独立同一分布（i.i.d.）に従う確率変数の系列 \( X_1, X_2, ..., X_n \) があるとします。その最大値を次のように定義します。
\( M_n = \max(X_1, X_2, ..., X_n) \)

フィッシャー・ティペット・グネデンコ（Fisher-Tippett-Gnedenko）の定理（名前が長くて覚えにくいですよね！）は、\( n \) が非常に大きくなるとき、この最大値の分布（適切なスケーリングの後）は、一般化極値（GEV）分布に収束することを教えてくれます。

GEV分布の式

GEVの累積分布関数（CDF）は以下の通りです。
\( H_{\gamma}(x) = \exp \left( -(1 + \gamma x)^{-1/\gamma} \right) \)

ここで \( \gamma \)（ガンマ）は形状パラメータ（shape parameter）です。このパラメータがこの理論の「主役」であり、裾がどれくらい「重い」かを決定づけます。

GEVの3つのバリエーション

\( \gamma \) の値に応じて、分布は以下の3つのタイプに分類されます。
• タイプI：ガンベル（Gumbel）分布（\( \gamma = 0 \)）： 指数分布や正規分布のような「裾の軽い」分布に使われます。裾は指数関数的に減少します。
• タイプII：フレシェ（Fréchet）分布（\( \gamma > 0 \)）： これが「重い裾」を持つタイプです。パレート分布のように巨額の損失が起こりやすいケースをモデル化するため、アクチュアリーにとって非常に重要です。
• タイプIII：ワイブル（Weibull）分布（\( \gamma < 0 \)）： 有限の上限を持つ「短い裾」のタイプです。「人間が生存可能な最大年齢」のような、無限には続かない事象を考える際に適しています。

クイック復習：
- \( \gamma > 0 \)：重い裾（フレシェ） - 注意！巨額損失の可能性あり。
- \( \gamma = 0 \)：軽い裾（ガンベル） - 裾が薄い。
- \( \gamma < 0 \)：有限の裾（ワイブル） - 上限（天井）が存在する。

3. 閾値超過（POT）とGPD

ブロック最大値法は1年につき1つの値しか使いませんが、POT法は「極端」なすべてのデータポイントを利用するため、より効率的です。

高い閾値 \( u \) を設定すると、\( X > u \) である条件の下での超過分 \( Y = X - u \) に注目することになります。

ピンカンズ・バルケマ・デハーン（Pickands-Balkema-de Haan）の定理によると、十分に高い閾値 \( u \) に対して、これらの超過分の分布は一般化パレート（GPD）分布に従います。

GPDの式

GPDの累積分布関数（CDF）は以下の通りです。
\( G_{\gamma, \beta}(x) = 1 - (1 + \gamma x / \beta)^{-1/\gamma} \) （\( \gamma \neq 0 \) のとき）
\( G_{\gamma, \beta}(x) = 1 - \exp(-x/\beta) \) （\( \gamma = 0 \) のとき）

ここで \( \beta \) は尺度パラメータ（scale parameter）（データの散らばり具合）であり、\( \gamma \) はGEVで出てきたものと同じ形状パラメータです！

豆知識：
GEVとGPDの間には美しい関係があります。データセットのブロック最大値が形状パラメータ \( \gamma \) を持つGEV分布に従うなら、その同じデータセットにおいて高い閾値を超えた超過分は、全く同じ \( \gamma \) を持つGPDに従うことになります。

4. 実践的な課題：閾値の選択

学生が最も躓きやすいのがここです。閾値 \( u \) はどれくらいの高さにすべきでしょうか？
• \( u \) が高すぎる場合：データポイントが足りず、分散が大きくなります。
• \( u \) が低すぎる場合：定理がうまく機能せず、モデルにバイアスがかかってしまいます。

平均超過プロット（Mean Excess Plot）： アクチュアリーは「平均超過プロット」を使って、このスイートスポット（最適点）を探します。プロットが直線的になる \( u \) の範囲を探すのです。プロットが右上がりで直線状であれば、それは裾の重いGPD分布であることを示唆しています。

5. 避けるべきよくある間違い

1. GEVとGPDの混同： 覚えておきましょう。GEVは最大値（Maxima）（グループの中の最大のもの）用、GPDは超過分（Exceedances）（ある基準線を超えたすべてのもの）用です。
2. 条件を忘れる： GPDの式は、元の値 \( X \) ではなく、超過分 \( (X - u) \) に対して適用されるものです。
3. \( \gamma \) の符号： 試験問題では、\( \gamma \) がプラスかマイナスかで裾の「リスクの度合い」が全く変わるため、注意深く確認しましょう。

6. まとめと重要なポイント

• 目的： EVTは、データが乏しい「裾の極端な部分」をモデル化するのに役立ちます。
• ブロック最大値： 一般化極値（GEV）分布を使用。ガンベル、フレシェ、ワイブルの3タイプがあります。
• 閾値超過： 一般化パレート（GPD）分布を使用。データを効率的に使えるため、よく選ばれます。
• 形状パラメータ（\( \gamma \)）： 最も重要な値です。\( \gamma > 0 \) なら裾は重く（保険にとっての「危険地帯」）、リスクは高まります。
• 平均超過プロット： GPDのための適切な閾値を見つけるツールです。

最初は難しく感じるかもしれませんが、大丈夫です！EVTは「平均」的な思考から「極端」な思考へとマインドセットを切り替えるものです。\( H(x) \) と \( G(x) \) の式を練習し続ければ、すぐにプロのようにテールリスクを特定できるようになりますよ！