歡迎來到「極端」的世界：極值理論簡介

你好！歡迎來到 CS2 學習旅程中最引人入勝的章節之一。到目前為止，你的學習重心可能大多放在「平均」結果上——也就是鐘形曲線（Bell Curve）的中間部分。但作為精算師，你不能只關注普通的車禍或平均預期壽命。你需要關注的是災難性事件。

極值理論（Extreme Value Theory, EVT）是統計學中專門處理分佈「尾部」的分支。它探討的是百年一遇的洪水、毀滅性的股市崩盤，或是可能讓公司破產的鉅額保險索償。本章將教導我們如何對這些罕見但影響巨大的事件進行建模。如果起初覺得數學看起來很艱深，別擔心——我們將會把它拆解開來，一點一點地攻克！

1. 為何我們需要 EVT？

想像一下你正在建造一道海堤。如果你只看平均潮汐，你的海堤會建得太矮，第一次大風暴就會把整個城鎮淹沒。你需要對最大可能的潮汐進行建模。

標準分佈（如常態分佈）往往會「低估」極端事件發生的頻率，因為它們的「尾部較薄」。EVT 提供了一種數學上嚴謹的方法，讓我們能夠估計那些在歷史數據中甚至可能尚未出現過的事件機率！

關鍵概念：兩種主要方法

在 CS2 中，我們專注於兩種研究極端值的方法：
1. 區塊極值法（Block Maxima Approach）：觀察固定時間間隔內的極大值（例如：每年最高的索償額）。
2. 閾值超出法（Peaks Over Threshold, POT）：觀察所有「突破限制」的數值（例如：每一筆超過 100 萬美元的索償）。

2. 區塊極值與 GEV 分佈

讓我們從區塊極值法開始。假設我們有一組獨立且同分佈（i.i.d.）的隨機變數 \( X_1, X_2, ..., X_n \)。我們定義極大值為：
\( M_n = \max(X_1, X_2, ..., X_n) \)

Fisher-Tippett-Gnedenko 定理告訴我們，當 \( n \) 變得非常大時，這個極大值的分佈（經過適當的縮放後）會收斂到廣義極值分佈（Generalized Extreme Value (GEV) Distribution）。

GEV 公式

GEV 的累積分配函數（CDF）為：
\( H_{\gamma}(x) = \exp \left( -(1 + \gamma x)^{-1/\gamma} \right) \)

其中 \( \gamma \) (gamma) 是形狀參數（shape parameter）。這個參數是整場戲的「主角」，因為它決定了尾部有多「厚」。

GEV 的三種形態

根據 \( \gamma \) 的值，該分佈可分為三類：
• 第一類：Gumbel (\( \gamma = 0 \))：用於「輕尾」分佈，如指數分佈或常態分佈。尾部呈指數級衰減。
• 第二類：Fréchet (\( \gamma > 0 \))：這是「重尾」版本。這對精算師非常重要，因為它用於建模 Pareto 分佈這類情況，其中鉅額虧損的可能性較高。
• 第三類：Weibull (\( \gamma < 0 \))：這是有有限上限的「短尾」分佈。試想「人類最大可能壽命」——它不會趨向無限大。

重點複習：
- \( \gamma > 0 \)：重尾 (Frechet) - 小心，後面有大額索償！
- \( \gamma = 0 \)：輕尾 (Gumbel) - 尾部較薄。
- \( \gamma < 0 \)：有限尾 (Weibull) - 有一個天花板。

3. 閾值超出法 (POT) 與 GPD

雖然區塊極值法每年只觀察一個值，但 POT 方法更有效率，因為它利用了所有「極端」的數據點。

如果我們選擇一個高閾值 \( u \)，我們感興趣的是在 \( X > u \) 的條件下，超出部分的數值：\( Y = X - u \)。

Pickands-Balkema-de Haan 定理指出，對於足夠高的閾值 \( u \)，這些超出部分的分佈會遵循廣義帕累托分佈（Generalized Pareto Distribution, GPD）。

GPD 公式

GPD 的 CDF 為：
\( G_{\gamma, \beta}(x) = 1 - (1 + \gamma x / \beta)^{-1/\gamma} \) (當 \( \gamma \neq 0 \))
\( G_{\gamma, \beta}(x) = 1 - \exp(-x/\beta) \) (當 \( \gamma = 0 \))

這裡，\( \beta \) 是尺度參數（scale parameter）（數據的分散程度），而 \( \gamma \) 就是我們在 GEV 中看到的同一個形狀參數！

你知道嗎？
GEV 和 GPD 之間有著美妙的聯繫。如果一個數據集的區塊極值遵循形狀參數為 \( \gamma \) 的 GEV 分佈，那麼同一數據集對高閾值的超出部分，將遵循形狀參數同樣為 \( \gamma \) 的 GPD。

4. 實務挑戰：選擇閾值

這通常是學生卡關的地方。閾值 \( u \) 應該設多高呢？
• 如果 \( u \) 太高：你沒有足夠的數據點（方差過大）。
• 如果 \( u \) 太低：定理尚未「發揮作用」，你的模型會產生偏差。

平均超出圖（Mean Excess Plot）：精算師使用「平均超出圖」來尋找最佳平衡點。我們尋找 \( u \) 的一個範圍，使得圖形變得線性。如果圖形呈線性且向上傾斜，則表示數據遵循重尾的 GPD 分佈。

5. 應避免的常見錯誤

1. 混淆 GEV 和 GPD：記住：GEV 用於極大值（一組中的最大值）。GPD 用於超出值（高於某條線的所有數據）。
2. 忘記條件：GPD 公式僅適用於超出部分 \( (X - u) \)，而非原始數值 \( X \)。
3. \( \gamma \) 的正負號：在考試題目中，請特別注意 \( \gamma \) 是正還是負，因為這完全改變了尾部的「風險程度」。

6. 總結與重點提示

• 目標：EVT 幫助我們對數據稀缺的尾部末端進行建模。
• 區塊極值：使用廣義極值分佈 (GEV)。它有三種類型：Gumbel、Frechet 和 Weibull。
• 閾值超出：使用廣義帕累托分佈 (GPD)。它通常更受青睞，因為它能更有效地利用數據。
• 形狀參數 (\( \gamma \))：這是最重要的數值。如果 \( \gamma > 0 \)，我們面對的是重尾（保險業的「危險地帶」）。
• 平均超出圖：幫助我們為 GPD 選擇正確閾值的工具。

如果起初覺得這些概念很棘手，別擔心！EVT 是從「平均」思維轉向「極端」思維的重大跨越。繼續練習 \( H(x) \) 和 \( G(x) \) 的公式，你很快就能像專家一樣識別尾部風險了！