歡迎來到極端值世界：認識 GEV 與 GPD！

哈囉，未來的精算師！歡迎來到 ASTAM 課程中最令人興奮（也稍微有點嚇人）的部分。我們正深入探討損失嚴重度模型 (Severity Models)，特別是那些潛伏在陰影中的「怪獸」：極端事件 (Extreme Events)。

在先前的學習中，你可能專注於平均賠款。但在現實世界中，一場巨大的颶風或巨額法律訴訟足以讓一家保險公司倒閉。這就是廣義極端值分佈 (Generalized Extreme Value, GEV) 和廣義帕累托分佈 (Generalized Pareto Distribution, GPD) 的用武之地。它們能幫助我們對分佈的「尾部」進行建模——也就是那些罕見但規模巨大的事件。

如果起初覺得數學負擔較重也不用擔心，我們會將其拆解為簡單的部分，並附上許多類比來幫助你理解！

1. 大局觀：觀察極端值的兩種方式

想像極端事件就像海裡的巨浪，科學家（與精算師）通常用兩種主要方式來研究它們：

1. 區塊極大值 (Block Maxima, GEV)： 你回顧過去 100 年，觀察每年出現的最大浪潮。你只對這些最大值感興趣。

2. 超越閾值峰值 (Peaks Over Threshold, GPD)： 你設定一道高牆（閾值），只研究那些高到能翻過這道牆的浪潮。你感興趣的是超出部分 (Excess)。

快速複習：為什麼我們需要這些？

就像中央極限定理 (Central Limit Theorem) 告訴我們平均值趨向於服從常態分佈一樣，極端值理論 (Extreme Value Theory) 告訴我們，最大值和尾部超出部分通常會服從 GEV 和 GPD 分佈。它們就是處理這些可怕事件的「極限法則」！

2. 廣義極端值 (GEV) 分佈

GEV 分佈是一種「三合一」分佈，根據特定參數的不同，它可以呈現三種不同的形狀。它主要用於對區塊極大值進行建模。

數學部分

GEV 的累積分配函數 (CDF) 為：
\( F(x) = \exp\left[ -\left( 1 + \xi \frac{x - \mu}{\sigma} \right)^{-1/\xi} \right] \)

其中：
• \(\mu\) (mu) 是位置參數 (Location parameter，中心在哪裡？)。
• \(\sigma\) (sigma) 是尺度參數 (Scale parameter，分佈有多散？)。
• \(\xi\) (xi) 是形狀參數 (Shape Parameter)。這是最重要的一個！

GEV 的三種面貌

\(\xi\) (xi) 的值告訴你處理的是哪種「尾部」：

1. \(\xi > 0\) (Fréchet 型)： 厚尾 (Heavy-tailed)。這是保險中常見的情況（如巨額災難損失）。尾部衰減緩慢。
2. \(\xi = 0\) (Gumbel 型)： 輕尾 (Light-tailed)。尾部呈指數衰減（類似於常態或 Gamma 分佈）。
3. \(\xi < 0\) (Weibull 型)： 短尾 (Short-tailed)。分佈確實有一個嚴格的上限。（想像人類的最大壽命——它不可能無限大）。

記憶小撇步： 把 \(\xi\) 想成是「危險程度」。
• 正數 \(\xi\) = 正向危險（可能發生巨大損失）。
• 零 \(\xi\) = 中等危險。
• 負數 \(\xi\) = 有限危險。

3. 廣義帕累托分佈 (GPD)

當 GEV 觀察一組數據的最大值時，GPD 觀察的是超過閾值的超出量。如果賠款超過 100 萬，那麼超過 100 萬的「部分」是多少？

數學部分

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

（注意：當 \(\xi \ge 0\) 時，此公式適用於 \(x \ge 0\)）。

其中：
• \(\beta\) (beta) 是尺度參數。
• \(\xi\) (xi) 是我們在 GEV 中看到的同一個形狀參數！

為什麼 GPD 這麼好用？

你知道嗎？ 有一個著名的定理（Pickands-Balkema-de Haan 定理）指出，當你將閾值提得越高，「超出部分」的分佈幾乎總是開始呈現 GPD 的特徵。這使得它成為再保險 (Reinsurance) 的首選模型，因為再保險公司通常只針對超過特定限額的賠款部分進行賠付。

關鍵要點：GEV 與 GPD 的比較

• GEV 對樣本的最大值建模（例如：一年中最大的索賠額）。
• GPD 對超過閾值的金額建模（例如：超過 50 萬美元的賠款部分）。
• 它們是手足！如果你的區塊極大值服從 GEV，那麼你的超越值就會服從一個具有相同形狀參數 \(\xi\) 的 GPD。

4. 處理形狀參數 (\(\xi\))

由於 \(\xi\) 是主角，ASTAM 的題目通常聚焦於它的影響。

常見錯誤： 不要將 \(\xi\) 與其倒數混淆。在一些舊教科書中，曾使用 \(\alpha = 1/\xi\)。在 ASTAM 中，請務必堅持使用官方表格中提供的 \(\xi\) 符號！

GPD 的平均值與變異數

你不必背下所有公式，但關於 GPD，請記住以下幾點：

• 平均值 (Mean) 僅在 \(\xi < 1\) 時存在。
• 變異數 (Variance) 僅在 \(\xi < 0.5\) 時存在。

如果 \(\xi\) 非常大（例如 \(\xi = 1.2\)），技術上來說「平均值」是無限大的，因為尾部太厚了。在保險術語中，這意味著損失非常不穩定！

5. 逐步教學：使用 GPD 處理損失嚴重度

如果題目要求你計算在已知賠款已經超過閾值 \(u\) 的情況下，賠款超過數值 \(y\) 的機率：

第一步： 確定閾值 \(u\)。
第二步： 計算超出量 \(x = y - u\)。
第三步： 使用 GPD 公式 \(G_{\xi, \beta}(x)\)。
第四步： 記住 \(1 - G(x)\) 會給你生存函數值（即超出量更大的機率）。

6. 總結與快速提示

快速複習盒：
• 區塊極大值 (Block Maxima) \(\rightarrow\) GEV
• 超越閾值 (Threshold Excess) \(\rightarrow\) GPD
• \(\xi > 0\)：厚尾（Fréchet / Pareto）。ASTAM 中最常見。
• \(\xi = 0\)：指數型尾部（Gumbel / Exponential）。
• \(\xi < 0\)：有限尾部（Weibull）。

最後的鼓勵

這裡的數學因為指數和希臘字母看起來很嚇人，但其邏輯很簡單：我們只是在為分佈的最末端擬合一條曲線。練習判斷題目是在問最大值 (Maximum) 還是超出量 (Excess)，你就已經成功了一半！

你做得很好——繼續努力攻克這些損失嚴重度模型吧！