欢迎来到极端的世界！尾部风险简介

你好！如果你已经研读到 Exam ASTAM 的这个阶段，你一定知道精算科学不只是关于“平均”赔款。它往往与那些可能威胁保险公司偿付能力的罕见、灾难性事件——即“黑天鹅”——有关。在损失严重度模型 (Severity Models) 章节中，我们专注于分布的“尾部”。本章重点介绍极值理论 (Extreme Value Theory, EVT)，它为我们提供了建模这些可怕且具高影响力事件的数学工具（GEV 和 GPD）。如果起初觉得这些内容有点“极端”也不用担心——我们会一步一步为你拆解！

1. 极值理论的两大支柱

当我们分析极端损失时，通常会使用两种不同的数学视角。你可以将它们想象成观察山脉的两种方式：区块最大值法 (Block Maxima)（观察每个山脉中的最高峰）和 阈值超出法 (Peaks Over Threshold)（观察所有高于某个海拔高度的山峰）。

• 区块最大值法 (GEV 方法)： 我们将数据划分为“区块”（例如年份），并且只看每个区块中单一最大的赔款。
• 阈值超出法 (GPD 方法)： 我们设定一个非常高的“门槛”（阈值），并观察所有超过该门槛的赔款。

2. 广义极值分布 (Generalized Extreme Value, GEV)

GEV 分布 是大量独立同分布 (i.i.d.) 随机变量最大值的极限分布。就像常态分布是处理“总和”的首选（中央极限定理），GEV 则是处理“最大值”的首选。

公式

GEV 的累积分布函数 (CDF) 为：
\( H_{\xi, \mu, \sigma}(x) = \exp\left( -\left[ 1 + \xi \left( \frac{x - \mu}{\sigma} \right) \right]^{-1/\xi} \right) \)

参数解析

• \(\mu\) (位置参数, Location)： 分布的中心位置（类似于平均值）。
• \(\sigma\) (尺度参数, Scale)： 分布的离散程度（必须 \(> 0\)）。
• \(\xi\) (形状参数, Shape Index)： 这是最重要的一个参数！它告诉我们尾部有多“厚”。

GEV 的三种“子类型”

根据 \(\xi\) 的值，GEV 分为三种著名类型：
1. Fréchet (\(\xi > 0\))： 厚尾分布。这是我们在一般保险（巨灾、大型责任险）中最常看到的类型。
2. Gumbel (\(\xi = 0\))： 薄尾分布（类似于指数分布）。用于一般的寿险风险。
3. Weibull (\(\xi < 0\))： 短尾分布且具有有限的上界。（在损失严重度中很少使用，因为赔款通常没有硬性上限）。

快速复习： 记住，\(\xi\) (xi) 是决定尾部“厚度”的关键。\(\xi\) 越大，代表尾部越可怕、越厚！

3. 广义帕累托分布 (Generalized Pareto Distribution, GPD)

GPD 通常是 ASTAM 中的“主角”。当 GEV 观察的是最大值时，GPD 观察的是超过高阈值的超出量 (Excess)。这称为 POT (Peaks Over Threshold) 方法。

逻辑（Pickands-Balkema-de Haan 定理）

该定理本质上是说：如果你设定的阈值 \(u\) 足够高，那么超过该阈值的金额分布（\(X - u | X > u\)）最终会趋近于 GPD。

公式

GPD 的 CDF 为：
\( G_{\xi, \beta}(x) = 1 - \left( 1 + \frac{\xi x}{\beta} \right)^{-1/\xi} \)
（其中对于 \(\xi \ge 0\)，\(x \ge 0\)）

• \(\beta\) (尺度参数, Scale)： 代表超出部分的尺度。
• \(\xi\) (形状参数, Shape)： 这与 GEV 中的 \(\xi\) 是同一个！它决定了尾部的厚度。

现实生活类比： 想象你是夜店的保镖。你只关心身高超过 6 呎的人。GPD 不在乎店里的所有人；它只对那些人“比 6 呎高出多少”进行建模。

4. 估算尾部风险：VaR 和 TVaR

使用 GPD 的全部目的，是为了在极高的置信水平（例如 99.9%）下计算风险指标，如风险价值 (VaR) 和尾部风险价值 (TVaR)。

使用 GPD 计算 VaR

如果我们已知总观测值数量 \(n\)、超过阈值的观测值数量 \(n_u\)，以及目标概率 \(p\)，VaR 公式为：
\( \text{VaR}_p = u + \frac{\beta}{\xi} \left( \left( \frac{n}{n_u} (1-p) \right)^{-\xi} - 1 \right) \)

使用 GPD 计算 TVaR

TVaR 是在损失超过 VaR 的条件下的期望值。对于 GPD（当 \(\xi < 1\) 时）：
\( \text{TVaR}_p = \frac{\text{VaR}_p + \beta - \xi u}{1 - \xi} \)

你知道吗？ 如果 \(\xi \ge 1\)，该分布的平均值将变为无限大！这意味着尾部非常“肥”，以至于 TVaR 在技术上是未定义的（无限大）。这对精算师来说简直是噩梦！

5. 实际执行：阈值的选择

我们该如何选择阈值 \(u\)？这是一种权衡：
• 太高： 我们没有足够的数据点来获得良好的估计（高变异数）。
• 太低： 定理尚未适用，我们的模型会产生偏差。

平均超出量图 (Mean Excess Plot)

为了找到“甜蜜点”，精算师通常会使用平均超出量图。我们绘制阈值 \(u\) 与赔款超出 \(u\) 的平均金额的关系图。
• 关键技巧： 如果数据遵循 GPD，平均超出量图应该看起来像一条直线。寻找图表开始呈现线性的点——那就是你的阈值 \(u\)！

6. 总结与关键要点

应避免的常见错误：
1. 混淆 GEV 和 GPD： GEV 用于“区块最大值”（每年一个）；GPD 用于“阈值超出法”（超过限额的所有数据）。
2. 参数混淆： 请务必检查 \(\xi\) 是正还是负。GPD 中的 \(\xi\) 为正表示厚尾分布（类似于 Pareto），这是 ASTAM 严重度建模的标准。
3. \(n/n_u\) 项： 在 VaR 公式中，不要忘记 \(\frac{n_u}{n}\) 是超过阈值的经验概率。

关键要点快速复习：
• EVT 帮助我们对“不可建模”的极端情况进行建模。
• GEV = 最大值。GPD = 超出量。
• \(\xi\) (形状) 告诉我们“巨额损失”发生的可能性。
• 平均超出量图 = 线性关系帮助我们选择阈值 \(u\)。
• VaR/TVaR 公式是基于这些模型设定资本要求的主要工具。

别担心公式看起来很吓人。练习代入 \(\beta\)、\(\xi\) 和 \(u\) 的值，你会发现一旦上手，GPD 其实非常一致且可预测。你一定做得到的！