極値の世界へようこそ！テールリスク入門

皆さん、こんにちは！試験 ASTAM（Advanced Short-Term Actuarial Mathematics）のここまで進んできた皆さんなら、アクチュアリー科学が単なる「平均的な」保険金支払いを扱うだけのものではないことは既にご存知でしょう。保険会社の支払能力を脅かすような、滅多に起こらない壊滅的な事象、いわゆる「ブラックスワン」こそが重要なのです。損害額モデル（Severity Models）のセクションでは、分布の「裾（テール）」に焦点を当てます。この章では、こうした恐ろしくインパクトの大きい事象を正確にモデル化するための数学的ツール（GEVやGPD）である、極値理論（Extreme Value Theory: EVT）について学びます。最初は少し「極端」な話に聞こえるかもしれませんが、大丈夫です。一つずつ丁寧に紐解いていきましょう！

1. 極値理論の2つの柱

極端な損失を分析する際、私たちは一般的に2つの異なる数学的レンズを用います。これらは山脈を見る2つの方法だと考えてください。ブロック最大値（Block Maxima）（各山脈の最高峰を見る方法）と、閾値超過（Peaks Over Threshold）（一定の高度を超えたすべての頂点を見る方法）です。

• ブロック最大値（GEVアプローチ）： データを（年単位などの）「ブロック」に分割し、各ブロックの中で単一の最大損失額のみを対象とします。
• 閾値超過（GPDアプローチ）： 非常に高い「基準（閾値）」を設定し、その基準を超えたすべての損害額を対象とします。

2. 一般化極値（GEV）分布

GEV分布は、独立同一分布（i.i.d.）に従う多数の確率変数の最大値の極限分布です。和に関して正規分布が「頼りになる」存在である（中心極限定理）のと同様に、最大値に関してGEVは「頼りになる」存在です。

式

GEVの累積分布関数（CDF）は次の通りです：
\( H_{\xi, \mu, \sigma}(x) = \exp\left( -\left[ 1 + \xi \left( \frac{x - \mu}{\sigma} \right) \right]^{-1/\xi} \right) \)

パラメータの内訳

• \(\mu\)（位置パラメータ）： 分布の中心（平均に近い役割）。
• \(\sigma\)（尺度パラメータ）： 分布の広がり（\(> 0\) である必要があります）。
• \(\xi\)（形状パラメータ）： 最も重要です！テールの「重さ」を決定します。

GEVの3つの「サブタイプ」

\(\xi\) の値に応じて、GEVは以下の3つの有名な名で呼ばれます。
1. フレシェ分布（\(\xi > 0\)）： 重いテール（厚い裾）。損害保険（破滅的な事故や大規模賠償）で最もよく見られます。
2. ガンベル分布（\(\xi = 0\)）： 軽いテール（指数分布に近い）。通常の生命保険リスクなどに使用されます。
3. ワイブル分布（\(\xi < 0\)）： 上限が有限の短いテール。（損害額モデルでは通常上限がないため、めったに使用されません）。

クイック復習： \(\xi\)（クシー）はテールの「厚さ」の鍵であることを忘れないでください。\(\xi\) が大きいほど、より恐ろしく、重いテールを意味します！

3. 一般化パレート分布（GPD）

ASTAMにおいて、GPDはしばしば「主役」となります。GEVが最大値を見るのに対し、GPDは高い閾値を超えた超過分に注目します。これがPOT（閾値超過）法と呼ばれるものです。

ロジック（Pickands-Balkema-de Haanの定理）

この定理は本質的に、「十分高い閾値 \(u\) を設定すれば、その閾値を超えた部分の分布（\(X - u | X > u\)）は、最終的にGPDに従うようになる」と述べています。

式

GPDの累積分布関数（CDF）は次の通りです：
\( G_{\xi, \beta}(x) = 1 - \left( 1 + \frac{\xi x}{\beta} \right)^{-1/\xi} \)
（ここで、\(\xi \ge 0\) のとき \(x \ge 0\)）

• \(\beta\)（尺度パラメータ）： 超過分の尺度を表します。
• \(\xi\)（形状パラメータ）： これはGEVと同じ \(\xi\) です！テールの厚さを決定します。

現実世界の例え： クラブの用心棒になったと想像してください。あなたが気にするのは身長6フィート以上の人だけです。GPDはクラブ内の全員を気にするのではなく、「6フィートをどれだけ超えているか」という超過分だけをモデル化するのです。

4. テールリスクの推定：VaRとTVaR

GPDを使う目的のすべては、非常に高い信頼水準（99.9%など）におけるVaR（Value-at-Risk）やTVaR（Tail Value-at-Risk）といったリスク指標を算出することにあります。

GPDを用いたVaRの計算

総観測数を \(n\)、閾値を超えた観測数を \(n_u\)、目標確率を \(p\) とすると、VaRの式は次のようになります：
\( \text{VaR}_p = u + \frac{\beta}{\xi} \left( \left( \frac{n}{n_u} (1-p) \right)^{-\xi} - 1 \right) \)

GPDを用いたTVaRの計算

TVaRは、損失がVaRを超えた場合の期待値です。GPDの場合（\(\xi < 1\) のとき）：
\( \text{TVaR}_p = \frac{\text{VaR}_p + \beta - \xi u}{1 - \xi} \)

ご存知でしたか？ \(\xi \ge 1\) の場合、分布の平均は無限大になります！つまり、テールが非常に「太い」ため、TVaRは厳密には定義できません（無限大）。これはアクチュアリーにとって悪夢のようなシナリオです！

5. 実践：閾値の選択

閾値 \(u\) をどのように決めるべきでしょうか？これはバランス調整の作業です。
• 高すぎる： 良い推定値を得るための十分なデータポイントが得られない（分散が大きい）。
• 低すぎる： 定理がまだ適用できず、モデルにバイアスがかかってしまう。

平均超過プロット（Mean Excess Plot）

「スイートスポット」を見つけるために、アクチュアリーはよく平均超過プロットを使います。閾値 \(u\) を変化させ、それに対する「閾値をどれだけ超えているかの平均」をプロットします。
• キーポイント： データがGPDに従うならば、平均超過プロットは直線になるはずです。グラフが直線になり始める点を探してください。それがあなたの閾値 \(u\) です！

6. まとめと重要ポイント

避けるべき共通のミス：
1. GEVとGPDの混同： GEVは「ブロック最大値」（年1回）用、GPDは「閾値超過」（制限を超えたものすべて）用です。
2. パラメータの混乱： \(\xi\) が正か負かを常に確認してください。GPDにおいて \(\xi\) が正であることは、ASTAMの損害額モデルとして標準的な「重いテール」（パレート分布に近い）であることを示します。
3. \(n/n_u\) 項： VaRの式において、\(\frac{n_u}{n}\) が閾値を超える経験的確率であることを忘れないでください。

要点のクイック復習：
• EVT は「モデル化不可能」な極値をモデル化する助けとなります。
• GEV = 最大値。 GPD = 超過分。
• \(\xi\)（形状） は「巨大損失」がどれくらい起こりやすいかを示します。
• 平均超過プロット = 直線性が閾値 \(u\) を選ぶ助けになります。
• VaR/TVaR の式は、これらのモデルに基づいた資本要件を設定するための主要ツールです。

式が難しそうに見えても心配しないでください。\(\beta\)、\(\xi\)、\(u\) の値に慣れてくると、GPDがいかに一貫性があり、予測しやすいものか分かってくるはずです。あなたならきっと大丈夫！