欢迎来到极端值世界：认识 GEV 与 GPD！

哈啰，未来的精算师！欢迎来到 ASTAM 课程中最令人兴奋（也稍微有点吓人）的部分。我们正深入探讨损失严重度模型 (Severity Models)，特别是那些潜伏在阴影中的“怪兽”：极端事件 (Extreme Events)。

在先前的学习中，你可能专注于平均赔款。但在现实世界中，一场巨大的飓风或巨额法律诉讼足以让一家保险公司倒闭。这就是广义极端值分布 (Generalized Extreme Value, GEV) 和广义帕累托分布 (Generalized Pareto Distribution, GPD) 的用武之地。它们能帮助我们对分布的“尾部”进行建模——也就是那些罕见但规模巨大的事件。

如果起初觉得数学负担较重也不用担心，我们会将其拆解为简单的部分，并附上许多类比来帮助你理解！

1. 大局观：观察极端值的两种方式

想像极端事件就像海里的巨浪，科学家（与精算师）通常用两种主要方式来研究它们：

1. 区块极值 (Block Maxima, GEV)： 你回顾过去 100 年，观察每年出现的最大浪潮。你只对这些最大值感兴趣。

2. 超越阈值峰值 (Peaks Over Threshold, GPD)： 你设定一道高墙（阈值），只研究那些高到能翻过这道墙的浪潮。你感兴趣的是超出部分 (Excess)。

快速复习：为什么我们需要这些？

就像中心极限定理 (Central Limit Theorem) 告诉我们平均值趋向于服从正态分布一样，极端值理论 (Extreme Value Theory) 告诉我们，最大值和尾部超出部分通常会服从 GEV 和 GPD 分布。它们就是处理这些可怕事件的“极限法则”！

2. 广义极端值 (GEV) 分布

GEV 分布是一种“三合一”分布，根据特定参数的不同，它可以呈现三种不同的形状。它主要用于对区块极值进行建模。

数学部分

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

其中：
• \(\mu\) (mu) 是位置参数 (Location parameter，中心在哪里？)。
• \(\sigma\) (sigma) 是尺度参数 (Scale parameter，分布有多散？)。
• \(\xi\) (xi) 是形状参数 (Shape Parameter)。这是最重要的一个！

GEV 的三种面貌

\(\xi\) (xi) 的值告诉你处理的是哪种“尾部”：

1. \(\xi > 0\) (Fréchet 型)： 厚尾 (Heavy-tailed)。这是保险中常见的情况（如巨额灾难损失）。尾部衰减缓慢。
2. \(\xi = 0\) (Gumbel 型)： 轻尾 (Light-tailed)。尾部呈指数衰减（类似于正态或 Gamma 分布）。
3. \(\xi < 0\) (Weibull 型)： 短尾 (Short-tailed)。分布确实有一个严格的上限。（想像人类的最大寿命——它不可能无限大）。

记忆小撇步： 把 \(\xi\) 想成是“危险程度”。
• 正数 \(\xi\) = 正向危险（可能发生巨大损失）。
• 零 \(\xi\) = 中等危险。
• 负数 \(\xi\) = 有限危险。

3. 广义帕累托分布 (GPD)

当 GEV 观察一组数据的最大值时，GPD 观察的是超过阈值的超出量。如果赔款超过 100 万，那么超过 100 万的“部分”是多少？

数学部分

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

（注意：当 \(\xi \ge 0\) 时，此公式适用于 \(x \ge 0\)）。

其中：
• \(\beta\) (beta) 是尺度参数。
• \(\xi\) (xi) 是我们在 GEV 中看到的同一个形状参数！

为什么 GPD 这么好用？

你知道吗？ 有一个著名的定理（Pickands-Balkema-de Haan 定理）指出，当你将阈值提得越高，“超出部分”的分布几乎总是开始呈现 GPD 的特征。这使得它成为再保险 (Reinsurance) 的首选模型，因为再保险公司通常只针对超过特定限额的赔款部分进行赔付。

关键要点：GEV 与 GPD 的比较

• GEV 对样本的最大值建模（例如：一年中最大的索赔额）。
• GPD 对超过阈值的金额建模（例如：超过 50 万美元的赔款部分）。
• 它们是手足！如果你的区块极值服从 GEV，那么你的超越值就会服从一个具有相同形状参数 \(\xi\) 的 GPD。

4. 处理形状参数 (\(\xi\))

由于 \(\xi\) 是主角，ASTAM 的题目通常聚焦于它的影响。

常见错误： 不要将 \(\xi\) 与其倒数混淆。在一些旧教科书中，曾使用 \(\alpha = 1/\xi\)。在 ASTAM 中，请务必坚持使用官方表格中提供的 \(\xi\) 符号！

GPD 的平均值与变异数

你不必背下所有公式，但关于 GPD，请记住以下几点：

• 平均值 (Mean) 仅在 \(\xi < 1\) 时存在。
• 变异数 (Variance) 仅在 \(\xi < 0.5\) 时存在。

如果 \(\xi\) 非常大（例如 \(\xi = 1.2\)），技术上来说“平均值”是无限大的，因为尾部太厚了。在保险术语中，这意味着损失非常不稳定！

5. 逐步教学：使用 GPD 处理损失严重度

如果题目要求你计算在已知赔款已经超过阈值 \(u\) 的情况下，赔款超过数值 \(y\) 的概率：

第一步： 确定阈值 \(u\)。
第二步： 计算超出量 \(x = y - u\)。
第三步： 使用 GPD 公式 \(G_{\xi, \beta}(x)\)。
第四步： 记住 \(1 - G(x)\) 会给你生存函数值（即超出量更大的概率）。

6. 总结与快速提示

快速复习盒：
• 区块极值 (Block Maxima) \(\rightarrow\) GEV
• 超越阈值 (Threshold Excess) \(\rightarrow\) GPD
• \(\xi > 0\)：厚尾（Fréchet / Pareto）。ASTAM 中最常见。
• \(\xi = 0\)：指数型尾部（Gumbel / Exponential）。
• \(\xi < 0\)：有限尾部（Weibull）。

最后的鼓励

这里的数学因为指数和希腊字母看起来很吓人，但其逻辑很简单：我们只是在为分布的最末端拟合一条曲线。练习判断题目是在问最大值 (Maximum) 还是超出量 (Excess)，你就已经成功了一半！

你做得很好——继续努力攻克这些损失严重度模型吧！