歡迎來到極端的世界！

你好！今天，我們要深入探討 FRM Part II 課程中最引人入勝的部分之一：極端價值理論 (Extreme Value Theory, EVT)。如果你曾好奇為什麼傳統的風險模型在市場崩盤時會失效，那麼你來對地方了。大多數「常態」模型假設市場行為符合鐘形曲線，但我們都知道在現實中，「黑天鵝」事件發生的頻率遠高於理論預測。EVT 就是我們用來衡量「不可思議之事」的工具包，專門針對分佈極遠處的尾部巨額虧損進行分析。

如果剛開始覺得數學成分較重，請不用擔心。我們會將其拆解成簡單的概念，並運用現實生活的類比，聚焦於考試真正需要掌握的重點。


1. 為什麼我們需要極端價值理論？

在市場風險管理中，我們常使用常態分佈 (Normal Distribution)。雖然常態分佈對於日常的價格波動非常管用，但它在預測市場崩盤時表現極差。它具有「薄尾 (thin tails)」特性，意味著它低估了極端事件發生的機率。

EVT 允許我們對分佈的尾部 (tails) 進行建模，而無需對其餘數據做出假設。可以這樣理解：如果你想知道 100 年一遇的洪水會有多高，你不會去關心平平淡淡的週二平均降雨量，你只關心那些破紀錄的暴雨。這正是 EVT 在金融領域所做的事情。

重點總結： EVT 專注於尾部（極端事件）而非整個分佈，從而能在危機期間提供更準確的風險評估。


2. EVT 的兩種主要方法

識別和建模極端值主要有兩種方式。你可以將它們視為「過濾」數據以找出可怕事件的兩種不同途徑。

A. 區塊極大值法 (Block Maxima Method, BMM)

在此方法中，你將數據劃分為大小相等的「區塊」（例如年份或季度），並僅選出每個區塊中的最大虧損。
類比： 想像你想找出學校裡身高最高的人。你走到每個課室，只記錄該課室裡身高最高的那一個人的數據。

所得數據將使用廣義極端值 (Generalized Extreme Value, GEV) 分佈進行建模。

B. 超額門檻法 (Peaks-Over-Threshold, POT)

在此方法中，你設定一個較高的門檻 (threshold)（我們稱之為 \(u\)），並觀察所有超過該門檻的數據點。
類比： 與其每個課室只看一個人，你改為站在走廊上，測量所有身高超過 6 呎的人。

所得數據（即「超額部分」）則使用廣義柏拉圖分佈 (Generalized Pareto Distribution, GPD) 進行建模。在現代風險管理中，POT 方法通常更受青睞，因為它能更有效地利用數據。

小貼士： 如果題目提到「Block Maxima」，請聯想到 GEV。如果提到「Threshold」，請聯想到 GPD。


3. 理解尾部指數 (\(\xi\))

EVT 中最重要的參數是形狀參數 (shape parameter)，通常標記為 \(\xi\) (xi)。這個參數告訴我們尾部有多「厚」。

  • 若 \(\xi > 0\)： 分佈為厚尾 (Heavy-Tailed)（Frechet 型）。這是金融領域最常見的情況（股票、匯率等）。\(\xi\) 越大，尾部越厚。
  • 若 \(\xi = 0\)： 分佈為薄尾 (Thin-Tailed)（Gumbel 型）。看起來像常態分佈或對數常態分佈。
  • 若 \(\xi < 0\)： 分佈為短尾 (Short Tail)（Weibull 型）。這意味著虧損幅度存在物理上的硬上限。

常見誤區： 學生常將 \(\xi\) 與尾部指數 (Tail Index, \(\alpha\)) 混淆。在某些教科書中，兩者的關係為 \( \alpha = 1 / \xi \)。只需記住：\(\xi\) 越高，意味著極端風險越大！


4. 廣義柏拉圖分佈 (GPD)

由於 POT 法是業界標準，我們需要理解 GPD 的公式。別讓那些符號嚇倒你！

GPD 的累積分配函數為：
\( F(y) = 1 - (1 + \frac{\xi y}{\beta})^{-1/\xi} \)

其中：
\(y\) = 超額虧損（虧損減去門檻）
\(\xi\) = 形狀參數（尾部的厚度）
\(\beta\) = 尺度參數（數據的「分散程度」）

你知道嗎？ GPD 被認為是「尾部的分佈」。當門檻 \(u\) 越來越高時，超額部分的數據分佈幾乎總是會收斂到 GPD。這被稱為 Pickands-Balkema-de Haan 定理。


5. 使用 EVT 計算 VaR 和 Expected Shortfall

在 FRM 中運用 EVT 的核心目的，是為了在極端的信賴水準（例如 99.9%）下更準確地計算風險價值 (VaR) 和預期虧損 (Expected Shortfall, ES)。

VaR 計算步驟：

要計算高信賴水準 (\(cl\)) 下的 VaR：
1. 設定你的門檻 \(u\)。
2. 計算總觀測值數量 (\(n\)) 以及超過門檻的觀測值數量 (\(n_u\))。
3. 使用以下公式：
\( VaR = u + \frac{\beta}{\xi} [ (\frac{n}{n_u} (1-cl))^{-\xi} - 1 ] \)

Expected Shortfall (ES) 計算步驟：

GPD 的優點之一是，一旦算出 VaR，ES 的計算就相對簡單：
\( ES = \frac{VaR + \beta - \xi u}{1 - \xi} \)

重點總結： EVT 讓我們能夠「推斷 (extrapolate)」尾部風險。即使在 10 年的數據集中我們從未見過 100 年一遇的事件，EVT 也能提供一種數學方法來進行估計。


6. 挑戰與限制

EVT 並非萬能，它也有不少問題：

  • 門檻選擇： 這是最大的挑戰。如果門檻 \(u\) 設定得太高，數據點不足以估算參數；如果設定得太低，數據就不是真正的「極端」，導致模型失效。
  • 參數不確定性： 因為我們處理的數據點非常少（僅限於極端情況），導致 \(\xi\) 和 \(\beta\) 的估計可能非常敏感。
  • 數據要求： 你需要長期的歷史數據來獲取足夠的極端事件，才能使模型具備可靠性。

快速複習：
- GEV = 區塊極大值（每個時期取一個最大值）。
- GPD = 超額門檻（超過線的所有數據）。
- \(\xi > 0\) = 厚尾（金融案例）。
- \(\xi\) 是形狀，\(\beta\) 是尺度。


總結檢查清單

在繼續之前，確保你能：
1. 解釋為什麼與 EVT 相比，常態分佈會低估風險。
2. 區分區塊極大值法 (BMM) 和超額門檻法 (POT)。
3. 根據形狀參數 \(\xi\) 識別三種尾部行為。
4. 理解 GPD 用於建模超過高門檻的超額部分。

繼續加油！你正在掌握現實中風險經理人用來在最糟糕情境下保護銀行資產的核心工具。你一定做得到的！