歡迎來到極端的世界！尾部風險簡介

你好！如果你已經研讀到 Exam ASTAM 的這個階段，你一定知道精算科學不只是關於「平均」賠款。它往往與那些可能威脅保險公司償付能力的罕見、災難性事件——即「黑天鵝」——有關。在損失嚴重度模型 (Severity Models) 章節中，我們專注於分佈的「尾部」。本章重點介紹極值理論 (Extreme Value Theory, EVT)，它為我們提供了建模這些可怕且具高影響力事件的數學工具（GEV 和 GPD）。如果起初覺得這些內容有點「極端」也不用擔心——我們會一步一步為你拆解！

1. 極值理論的兩大支柱

當我們分析極端損失時，通常會使用兩種不同的數學視角。你可以將它們想像成觀察山脈的兩種方式：區塊最大值法 (Block Maxima)（觀察每個山脈中的最高峰）和 閾值超出法 (Peaks Over Threshold)（觀察所有高於某個海拔高度的山峰）。

• 區塊最大值法 (GEV 方法)： 我們將數據劃分為「區塊」（例如年份），並且只看每個區塊中單一最大的賠款。
• 閾值超出法 (GPD 方法)： 我們設定一個非常高的「門檻」（閾值），並觀察所有超過該門檻的賠款。

2. 廣義極值分佈 (Generalized Extreme Value, GEV)

GEV 分佈 是大量獨立同分佈 (i.e.d.) 隨機變量最大值的極限分佈。就像常態分佈是處理「總和」的首選（中央極限定理），GEV 則是處理「最大值」的首選。

公式

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

參數解析

• \(\mu\) (位置參數, Location)： 分佈的中心位置（類似於平均值）。
• \(\sigma\) (尺度參數, Scale)： 分佈的離散程度（必須 \(> 0\)）。
• \(\xi\) (形狀參數, Shape Index)： 這是最重要的一個參數！它告訴我們尾部有多「厚」。

GEV 的三種「子類型」

根據 \(\xi\) 的值，GEV 分為三種著名類型：
1. Fréchet (\(\xi > 0\))： 厚尾分佈。這是我們在一般保險（巨災、大型責任險）中最常看到的類型。
2. Gumbel (\(\xi = 0\))： 薄尾分佈（類似指數分佈）。用於一般的壽險風險。
3. Weibull (\(\xi < 0\))： 短尾分佈且具有有限的上界。（在損失嚴重度中很少使用，因為賠款通常沒有硬性上限）。

快速複習： 記住，\(\xi\) (xi) 是決定尾部「厚度」的關鍵。\(\xi\) 越大，代表尾部越可怕、越厚！

3. 廣義帕累托分佈 (Generalized Pareto Distribution, GPD)

GPD 通常是 ASTAM 中的「主角」。當 GEV 觀察的是最大值時，GPD 觀察的是超過高閾值的超出量 (Excess)。這稱為 POT (Peaks Over Threshold) 方法。

邏輯（Pickands-Balkema-de Haan 定理）

該定理本質上是說：如果你設定的閾值 \(u\) 足夠高，那麼超過該閾值的金額分佈（\(X - u | X > u\)）最終會趨近於 GPD。

公式

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

• \(\beta\) (尺度參數, Scale)： 代表超出部分的尺度。
• \(\xi\) (形狀參數, Shape)： 這與 GEV 中的 \(\xi\) 是同一個！它決定了尾部的厚度。

現實生活類比： 想像你是夜店的保鑣。你只關心身高超過 6 呎的人。GPD 不在乎店裡的所有人；它只對那些人「比 6 呎高出多少」進行建模。

4. 估算尾部風險：VaR 和 TVaR

使用 GPD 的全部目的，是為了在極高的置信水平（例如 99.9%）下計算風險指標，如風險價值 (VaR) 和尾部風險價值 (TVaR)。

使用 GPD 計算 VaR

如果我們已知總觀測值數量 \(n\)、超過閾值的觀測值數量 \(n_u\)，以及目標概率 \(p\)，VaR 公式為：
\( \text{VaR}_p = u + \frac{\beta}{\xi} \left( \left( \frac{n}{n_u} (1-p) \right)^{-\xi} - 1 \right) \)

使用 GPD 計算 TVaR

TVaR 是在損失超過 VaR 的條件下的期望值。對於 GPD（當 \(\xi < 1\) 時）：
\( \text{TVaR}_p = \frac{\text{VaR}_p + \beta - \xi u}{1 - \xi} \)

你知道嗎？ 如果 \(\xi \ge 1\)，該分佈的平均值將變為無限大！這意味著尾部非常「肥」，以至於 TVaR 在技術上是未定義的（無限大）。這對精算師來說簡直是噩夢！

5. 實際執行：閾值的選擇

我們該如何選擇閾值 \(u\)？這是一種權衡：
• 太高： 我們沒有足夠的數據點來獲得良好的估計（高變異數）。
• 太低： 定理尚未適用，我們的模型會產生偏差。

平均超出量圖 (Mean Excess Plot)

為了找到「甜蜜點」，精算師通常會使用平均超出量圖。我們繪製閾值 \(u\) 與賠款超出 \(u\) 的平均金額的關係圖。
• 關鍵技巧： 如果數據遵循 GPD，平均超出量圖應該看起來像一條直線。尋找圖表開始呈現線性的點——那就是你的閾值 \(u\)！

6. 總結與關鍵要點

應避免的常見錯誤：
1. 混淆 GEV 和 GPD： GEV 用於「區塊最大值」（每年一個）；GPD 用於「閾值超出法」（超過限額的所有數據）。
2. 參數混淆： 請務必檢查 \(\xi\) 是正還是負。GPD 中的 \(\xi\) 為正表示厚尾分佈（類似 Pareto），這是 ASTAM 嚴重度建模的標準。
3. \(n/n_u\) 項： 在 VaR 公式中，不要忘記 \(\frac{n_u}{n}\) 是超過閾值的經驗概率。

關鍵要點快速複習：
• EVT 幫助我們對「不可建模」的極端情況進行建模。
• GEV = 最大值。GPD = 超出量。
• \(\xi\) (形狀) 告訴我們「巨額損失」發生的可能性。
• 平均超出量圖 = 線性關係幫助我們選擇閾值 \(u\)。
• VaR/TVaR 公式是基於這些模型設定資本要求的主要工具。

別擔心公式看起來很嚇人。練習代入 \(\beta\)、\(\xi\) 和 \(u\) 的值，你會發現一旦上手，GPD 其實非常一致且可預測。你一定做得到的！