ยินดีต้อนรับสู่โลกของค่าสุดขั้ว: ทำความเข้าใจ GEV และ GPD!

สวัสดีครับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ยินดีต้อนรับสู่ส่วนที่น่าตื่นเต้นที่สุด (และอาจจะดูน่าเกรงขามเล็กน้อย) ของเนื้อหา ASTAM ครับ วันนี้เราจะมาเจาะลึกเรื่อง แบบจำลองความรุนแรงของค่าสินไหม (Severity Models) แต่เราจะเน้นไปที่ "สัตว์ประหลาด" ใต้เตียงกัน นั่นก็คือ เหตุการณ์สุดขั้ว (Extreme Events) ครับ

ในการเรียนช่วงที่ผ่านมา คุณอาจจะโฟกัสไปที่ค่าเฉลี่ยของค่าสินไหม แต่ในโลกแห่งความเป็นจริง พายุลูกใหญ่เพียงลูกเดียวหรือคดีความรับผิดมูลค่ามหาศาลอาจทำให้บริษัทประกันภัยล้มละลายได้เลย นี่คือเหตุผลที่เราต้องใช้การแจกแจงแบบ Generalized Extreme Value (GEV) และ Generalized Pareto (GP) เข้ามาช่วย เพราะมันช่วยให้เราจำลองเหตุการณ์บริเวณ "หาง" (tail) ของการแจกแจง ซึ่งเป็นเหตุการณ์ที่เกิดยากแต่สร้างความเสียหายรุนแรงได้ครับ

ถ้ารู้สึกว่าคณิตศาสตร์ในส่วนนี้ดูหนักในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยมันให้เป็นเรื่องง่ายด้วยการเปรียบเทียบให้เห็นภาพครับ!

1. ภาพรวม: สองวิธีในการมองเหตุการณ์สุดขั้ว

ลองนึกภาพเหตุการณ์สุดขั้วเหมือนกับคลื่นยักษ์ในมหาสมุทร นักวิทยาศาสตร์ (และนักคณิตศาสตร์ประกันภัย) มีวิธีศึกษาหลักๆ อยู่ 2 วิธี ดังนี้ครับ:

1. Block Maxima (GEV): คุณมองหาคลื่นที่ใหญ่ที่สุดที่เกิดขึ้นในแต่ละปี ตลอด 100 ปีที่ผ่านมา สิ่งที่คุณสนใจมีเพียงแค่ ค่าสูงสุด (maximums) ในแต่ละช่วงเวลาเท่านั้น

2. Peaks Over Threshold (GPD): คุณเลือกตั้งกำแพงสูงไว้ระดับหนึ่ง (เรียกว่า threshold) แล้วศึกษาเฉพาะคลื่นที่สูงพอจะข้ามกำแพงนี้ไปได้เท่านั้น สิ่งที่คุณสนใจคือ ส่วนที่เกิน (excess) จากระดับนั้นครับ

ทบทวนสั้นๆ: ทำไมเราถึงต้องใช้สองตัวนี้?

เหมือนกับที่ ทฤษฎีขีดจำกัดกลาง (Central Limit Theorem) บอกเราว่าค่าเฉลี่ยมีแนวโน้มจะเข้าสู่การแจกแจงปกติ (Normal Distribution) ทฤษฎีค่าสุดขั้ว (Extreme Value Theory) ก็บอกเราว่า ค่าสูงสุดและส่วนที่เกินจากค่าขอบเขตมักจะมีแนวโน้มเป็นไปตามการแจกแจง GEV และ GPD นั่นเองครับ มันคือ "กฎแห่งขีดจำกัด" สำหรับเหตุการณ์ที่น่าสะพรึงกลัวเหล่านั้น!

2. การแจกแจง Generalized Extreme Value (GEV)

GEV คือการแจกแจงแบบ "3-in-1" ครับ ขึ้นอยู่กับพารามิเตอร์ตัวหนึ่ง มันสามารถเปลี่ยนรูปร่างได้ 3 แบบ ซึ่งเราใช้มันสำหรับโมเดลแบบ Block Maxima ครับ

ส่วนของคณิตศาสตร์

ฟังก์ชันการแจกแจงสะสม (CDF) ของ GEV คือ:
\( F(x) = \exp\left[ -\left( 1 + \xi \frac{x - \mu}{\sigma} \right)^{-1/\xi} \right] \)

โดยที่:
• \(\mu\) (mu) คือ พารามิเตอร์ตำแหน่ง (จุดศูนย์กลางอยู่ที่ไหน?)
• \(\sigma\) (sigma) คือ พารามิเตอร์สเกล (มีการกระจายตัวกว้างแค่ไหน?)
• \(\xi\) (xi) คือ พารามิเตอร์รูปร่าง (Shape Parameter) ซึ่งเป็นตัวที่สำคัญที่สุดครับ!

ใบหน้าทั้ง 3 ของ GEV

ค่าของ \(\xi\) (xi) จะบอกคุณว่าคุณกำลังรับมือกับ "หาง" ประเภทไหนอยู่:

1. \(\xi > 0\) (Fréchet Type): หางหนา (Heavy-tailed) นี่คือแบบที่เราเจอได้บ่อยที่สุดในงานประกันภัย (เช่น ความเสียหายจากภัยพิบัติขนาดใหญ่) หางของการแจกแจงจะค่อยๆ ลดลงอย่างช้าๆ
2. \(\xi = 0\) (Gumbel Type): หางบาง (Light-tailed) หางลดลงแบบเอกซ์โพเนนเชียล (เหมือนการแจกแจงปกติ หรือ Gamma)
3. \(\xi < 0\) (Weibull Type): หางสั้น (Short-tailed) การแจกแจงแบบนี้มีขีดจำกัดสูงสุดที่แน่นอน (ลองนึกถึงอายุขัยสูงสุดของมนุษย์ มันไม่สามารถเป็นอนันต์ได้)

ตัวช่วยจำ: ลองคิดว่า \(\xi\) คือ "ระดับอันตราย"
• \(\xi\) เป็นบวก = อันตรายสูง (มีโอกาสเกิดความสูญเสียมหาศาล)
• \(\xi\) เป็นศูนย์ = อันตรายปานกลาง
• \(\xi\) เป็นลบ = อันตรายจำกัด

3. การแจกแจง Generalized Pareto Distribution (GPD)

ในขณะที่ GEV มองหาค่าสูงสุดในกลุ่ม แต่ GPD จะมองที่ ส่วนที่เกินจากเกณฑ์ (excess over a threshold) ครับ เช่น หากค่าสินไหมเกิน 1 ล้านดอลลาร์ไปแล้ว ส่วนที่ เกิน จาก 1 ล้านดอลลาร์นั้นมีค่าเท่าไหร่?

ส่วนของคณิตศาสตร์

CDF ของ GPD คือ:
\( G_{\xi, \beta}(x) = 1 - \left( 1 + \xi \frac{x}{\beta} \right)^{-1/\xi} \)

(หมายเหตุ: สูตรนี้ใช้สำหรับ \(x \ge 0\) เมื่อ \(\xi \ge 0\))

โดยที่:
• \(\beta\) (beta) คือ พารามิเตอร์สเกล
• \(\xi\) (xi) คือ พารามิเตอร์รูปร่างตัวเดียวกับที่เราเห็นใน GEV!

ทำไม GPD ถึงมีประโยชน์มากขนาดนี้?

คุณทราบหรือไม่? มีทฤษฎีบทชื่อดัง (Pickands-Balkema-de Haan) กล่าวว่าเมื่อคุณเพิ่มเกณฑ์ (threshold) ให้สูงขึ้นเรื่อยๆ การแจกแจงของ "ส่วนที่เกิน" จะมีลักษณะเข้าใกล้ GPD เสมอ ทำให้มันกลายเป็นโมเดลหลักสำหรับการทำ ประกันภัยต่อ (reinsurance) ซึ่งบริษัทประกันภัยจะจ่ายเฉพาะส่วนของสินไหมที่เกินลิมิตที่กำหนดไว้เท่านั้นครับ

ข้อควรรู้: GEV vs. GPD

• GEV ใช้จำลอง ค่าสูงสุด ของกลุ่มตัวอย่าง (เช่น สินไหมที่ใหญ่ที่สุดในรอบปี)
• GPD ใช้จำลอง จำนวนที่เกินเกณฑ์ (เช่น ส่วนที่เกิน 500,000 ดอลลาร์)
• ทั้งคู่เป็นพี่น้องกัน! ถ้า Block Maxima ของคุณเป็นไปตาม GEV ส่วนที่เกินจากเกณฑ์ของคุณก็จะไปตาม GPD ที่มี พารามิเตอร์รูปร่าง \(\xi\) ตัวเดียวกัน เลยครับ

4. การทำงานกับพารามิเตอร์รูปร่าง (\(\xi\))

เนื่องจาก \(\xi\) คือพระเอกของงาน โจทย์ในข้อสอบ ASTAM มักจะเน้นที่ผลกระทบของมันเป็นหลักครับ

ข้อผิดพลาดที่พบบ่อย: อย่าสับสนระหว่าง \(\xi\) กับส่วนกลับของมัน ในตำราบางเล่มสมัยก่อนอาจใช้ \(\alpha = 1/\xi\) แต่สำหรับ ASTAM ให้ยึดตามสัญลักษณ์ \(\xi\) ที่ให้ไว้ในตารางสูตรทางการเท่านั้นนะครับ!

ค่าเฉลี่ยและความแปรปรวนของ GPD

คุณไม่จำเป็นต้องจำทุกอย่างบนโลก แต่ควรจำสิ่งนี้สำหรับ GPD ไว้ครับ:

• ค่าเฉลี่ย (Mean) จะหาค่าได้ก็ต่อเมื่อ \(\xi < 1\)
• ความแปรปรวน (Variance) จะหาค่าได้ก็ต่อเมื่อ \(\xi < 0.5\)

ถ้า \(\xi\) มีค่ามาก (เช่น \(\xi = 1.2\)) ค่าเฉลี่ยจะเข้าสู่ค่าอนันต์ในทางทฤษฎีเพราะหางนั้นหนามาก ในมุมมองประกันภัย หมายความว่าความสูญเสียนั้นมีความผันผวนสูงมากจนคาดการณ์ได้ยากนั่นเอง!

5. ขั้นตอนการนำ GPD ไปใช้กับค่าความรุนแรง

หากโจทย์ให้คุณคำนวณความน่าจะเป็นที่ค่าสินไหมจะเกินค่า \(y\) โดยที่ทราบว่ามันเกินเกณฑ์ \(u\) มาแล้ว:

ขั้นที่ 1: ระบุค่าเกณฑ์ (threshold) \(u\)
ขั้นที่ 2: คำนวณส่วนที่เกิน \(x = y - u\)
ขั้นที่ 3: ใช้สูตร GPD \(G_{\xi, \beta}(x)\)
ขั้นที่ 4: จำไว้ว่า \(1 - G(x)\) จะให้ค่าความน่าจะเป็นแบบรอดพ้น (survival probability) หรือโอกาสที่ส่วนเกินนั้นจะสูงยิ่งกว่าค่าที่คำนวณได้ครับ

6. สรุปและเคล็ดลับฉบับย่อ

กล่องสรุปด่วน:
• Block Maxima \(\rightarrow\) GEV
• Threshold Excess \(\rightarrow\) GPD
• \(\xi > 0\): หางหนา (Fréchet / Pareto) พบได้บ่อยที่สุดใน ASTAM
• \(\xi = 0\): หางแบบเอกซ์โพเนนเชียล (Gumbel / Exponential)
• \(\xi < 0\): หางถูกจำกัดขอบเขต (Weibull)

กำลังใจทิ้งท้าย

คณิตศาสตร์ตรงนี้อาจดูน่ากลัวเพราะมีเลขยกกำลังและตัวอักษรกรีก แต่ ตรรกะ ของมันง่ายมากครับ: เราแค่กำลังพยายามหาเส้นโค้งที่ฟิตพอดีกับช่วงปลายสุดของการแจกแจง ฝึกแยกแยะให้ออกว่าโจทย์ถามหา ค่าสูงสุด (GEV) หรือ ส่วนที่เกิน (GPD) ให้ได้ แล้วคุณก็เดินมาได้ครึ่งทางสู่คำตอบที่ถูกต้องแล้วครับ!

คุณทำได้ดีมากแล้ว ลุยกับแบบจำลองความรุนแรงต่อไปเลยนะ!