第 07b 章 极值理论与尾部风险

本章对应 Tsay 原书第 7 章后半（7.5–7.8 节）。第 07a 章的方法要么依赖分布假设（正态、t），要么受限于历史样本（经验分位数）。极值理论（EVT）只对分布的尾部形状做假设，用来外推比样本中更极端的分位数。本章依次讲传统 EVT（分块极大值 + GEV）、超阈值方法（POT + GPD + 二维泊松过程）、带解释变量的条件 EVT，以及刻画极值聚集的极值指数。

学习目标

1. 理解 Fisher–Tippett–Gnedenko 极值定理：规范化最大值的极限只可能是 GEV 分布；知道 Gumbel、Fréchet、Weibull 三类与分布尾部的对应关系，以及金融收益属于 Fréchet 族。
2. 会用分块极大值的极大似然、Hill 估计、Pickands 估计估计形状参数（尾指数），并理解子期长度 \(n\) 和 Hill 中 \(q\) 的选择问题。
3. 掌握传统 EVT 的 VaR 公式 (7.28)、α 次根时间法则和回报水平。
4. 掌握 POT 方法：GPD 的阈值稳定性、平均超出图选阈值、GPD 下 VaR 与 ES 的闭式公式、二维泊松过程的似然，以及如何引入解释变量。
5. 理解极值指数 \(\theta\) 的含义（\(1/\theta\) 为平均簇大小），会用块方法和游程方法估计它，知道忽略它会低估 VaR。
6. 能比较各种 VaR 方法在 IBM 数据上的结果，理解"没有唯一正确的 VaR"。

读前导读

这一章在解决什么问题

第 07a 章留下了一个两难：参数法（正态、t）对尾部形状的假设可能是错的；历史分位数不做假设，但在 1% 以下的尾部数据太少、估计很不稳定，而且永远不会给出比历史最大损失更大的数。极值理论（EVT）只对尾部的形状做一个很弱的假设，然后用尾部的少量数据去外推更极端的分位数。

用你熟悉的东西类比：中心极限定理说，不管原始分布是什么，样本均值标准化后都趋于正态。极值定理是它的「尾部版本」：不管原始分布是什么，样本最大值标准化后只可能趋于一个三参数分布族（GEV）。所以我们不需要知道收益的完整分布，只需估计 GEV 的三个参数，其中最关键的是形状参数 \(\xi\)，它决定尾部有多「厚」。

本章有两条路线。传统路线是「分块取最大值」：比如把日收益按月分块，每月取最大日跌幅，再对这些月度最大值拟合 GEV。新路线是「超阈值」（POT）：只看超过某个高阈值（如 2.5%）的损失，对超出部分拟合广义帕累托分布（GPD）。后者用数据更充分、对参数选择不敏感，而且可以让参数随波动率等变量变化，是业界的主流做法（例如 McNeil–Frey 的 GARCH–EVT）。最后的极值指数处理「极端损失扎堆出现」的问题，它与第 07a 章回测中的「突破成簇」是同一现象。

对于 CFA 背景的读者，本章最有用的直觉是：正态分布的尾部按 \(e^{-x^2/2}\) 衰减（极快），金融收益的尾部按幂律 \(x^{-1/\xi}\) 衰减（慢得多）。损失翻倍时，正态下的概率会下降成千上万倍，幂律下只下降 \(2^{1/\xi}\) 倍（\(\xi=0.3\) 时约 10 倍）。这就是「十个标准差事件」在正态世界里不可能、在真实市场里却每隔几年就出现的原因。

需要先想起来的数学

1. 独立事件的概率相乘。 「\(n\) 个独立收益都不超过 \(x\)」的概率是 \([F(x)]^n\)。例：每日损失不超过 3% 的概率为 0.99，则一年 252 天都不超过 3% 的概率约 \(0.99^{252}\approx0.08\)。

2. 极限 \((1-\tau/n)^n\to e^{-\tau}\)。 这是连续复利公式 \((1+r/n)^n\to e^r\) 的同类。还有一阶近似 \(\ln(1-x)\approx-x\)（\(x\) 很小时），如 \(\ln0.99\approx-0.01005\)。见 第 00 册第 04 章 级数与收敛（\(e\) 与指数对数部分）和 第 00 册第 01 章 函数极限与连续。

3. 幂函数与对数。 \(x^{-1/\xi}\) 取对数得 \(-\frac1\xi\ln x\)，在双对数坐标下是直线，斜率 \(-1/\xi\)。Hill 估计就是在估计这条直线的斜率。\(a^{-\xi}\) 中负指数表示倒数：\(0.2^{-0.2}=1/0.2^{0.2}\approx1.38\)。

4. 次序统计量。 把样本从小到大排列，\(r_{(1)}\) 是最小值，\(r_{(T)}\) 是最大值，\(r_{(T-q)}\) 是第 \(q+1\) 大的值。

5. 泊松过程与指数分布。 稀有事件按速率 \(\lambda\) 随机发生时，次数服从泊松分布，相邻事件的间隔服从均值 \(1/\lambda\) 的指数分布。这是 7.8.4 节和 7.8.7 节诊断的基础。见 第 00 册第 07 章 概率中的分析工具。

6. 上极限 \(\limsup\) 与 \([x]_+\) 记号。 \(\limsup\) 是「数列在尾部能反复接近的最大值」，这里只用来说明某个量有界；\([x]_+=\max(x,0)\)，即「负数取零」，和期权收益 \((S-K)_+\) 的记号相同。见 第 00 册第 08 章 读懂数学证明与符号。

怎么读这一章

核心必读：7.6.1（极值定理和 \(\xi\) 的含义）、7.6.2 的 Hill 估计、7.7.1 的 VaR 公式推导思路、7.7.2 方法比较的结论、7.8.1–7.8.3（POT、GPD、平均超出图）、7.8.5 的 GPD VaR 与 ES 公式（实务中最常用）、7.9.4 的结论（忽略聚集会低估 VaR）。可以第一次跳过或只看结论的：7.6.2 的 Gumbel 回归法和 Pickands 估计、7.8.4 二维泊松过程的似然细节、7.8.6–7.8.8 条件 EVT 的完整实证（理解「参数随波动率变化」的思路即可）、7.9.2 的 \(D(u_n)\) 条件和 Leadbetter 定理的正式陈述。建议顺序：7.6.1 → 7.6.2 → 7.7 → 7.8.1–7.8.3 → 7.8.5 → 7.9 → 7.8.4 → 7.8.6–7.8.8。

7.6 极值理论回顾

7.6.1 最大值的分布

设 \(r_1,\dots,r_n\) 独立同分布，CDF 为 \(F\)。由于 VaR 关心损失，沿用文献的习惯研究最大值 \(r_{(n)}=\max_j r_j\)；最小值可通过变号得到：\(r_{(1)}=-\max_j(-r_j)\)。所以多头（怕跌）用负收益做极值分析。

独立性给出最大值的 CDF：

问题有二：\(F\) 未知；而且 \(n\to\infty\) 时 \([F(x)]^n\) 退化（对 \(x\) 小于右端点趋于 0）。

白话解释：「退化」的意思是极限分布变成一个点，没有信息。固定一个水平 \(x\)（如日跌 5%），只要单日超过它的概率大于零，比如 \(F(x)=0.999\)，那么天数足够多时「所有日子都没超过 5%」的概率 \(0.999^n\) 终将趋于 0：\(n=1000\) 时约 0.37，\(n=10000\) 时约 0.00005。也就是说，样本越长，最大值会越来越大，固定的 \(x\) 终究会被超过。所以必须让比较的尺子随 \(n\) 移动（减去 \(\beta_n\)）和伸缩（除以 \(\alpha_n\)），就像中心极限定理里要把样本和减去 \(n\mu\)、除以 \(\sqrt n\sigma\)。正如中心极限定理需要把样本均值中心化、标准化，极值理论寻找位置序列 \(\{\beta_n\}\) 和尺度序列 \(\{\alpha_n>0\}\)，使 \((r_{(n)}-\beta_n)/\alpha_n\) 收敛到一个非退化分布。

极值定理：若该极限存在，它只能是广义极值分布（generalized extreme value，GEV，Jenkinson 1955）

\(\xi\ne0\) 时要求 \(1+\xi x>0\)。\(\xi\) 称形状参数（shape parameter），控制尾部行为；\(1/\xi\) 称尾指数（tail index）。（原书此处把"规范化最大值"误写为"最小值"。）GEV 统一了 Gnedenko (1943) 的三类极限分布：

风险管理主要关心 Fréchet 族。若 \(F\) 的尾部像 \(1-F(x)\sim cx^{-1/\xi}\)，则 \(\xi\) 就是尾部幂律指数的倒数；例如自由度 \(v\) 的 Student-t 有 \(\xi=1/v\)。\(\xi\) 越大尾部越厚，\(\xi\ge1/k\) 时 \(k\) 阶矩不存在。

白话解释：「\(1-F(x)\sim cx^{-1/\xi}\)」中的 \(\sim\) 读作「当 \(x\) 很大时两边之比趋于 1」。它说的是：超过 \(x\) 的概率随 \(x\) 按幂函数下降。数值对比：设 \(\xi=0.3\)，则 \(1/\xi\approx3.33\)，损失阈值从 5% 提高到 10%，超越概率下降 \(2^{3.33}\approx10\) 倍；从 10% 到 20%，再下降 10 倍。正态分布从 5 个标准差到 10 个标准差，超越概率从约 \(3\times10^{-7}\) 降到约 \(8\times10^{-24}\)，下降了十几个数量级。 为什么 \(\xi\ge1/k\) 时 \(k\) 阶矩不存在？\(E|X|^k\) 的尾部积分大致是 \(\int^\infty x^k\cdot x^{-1/\xi-1}dx\)，被积函数的幂次为 \(k-1/\xi-1\)，只有当它小于 \(-1\)，即 \(k<1/\xi\) 时积分才收敛（这与 \(\int^\infty x^{-s}dx\) 在 \(s>1\) 时收敛是同一结论）。IBM 的 \(\xi\approx0.3\) 意味着 \(1/\xi\approx3.3\)，三阶矩存在、四阶矩不存在，所以样本峰度不会稳定下来，用它衡量尾部风险并不可靠。

GEV 密度为

两个重要含义：

1. 极限分布由 \(F\) 的尾部行为决定，而不是 \(F\) 的具体形式，所以 EVT 适用于很广的收益分布；但规范化常数 \(\alpha_n,\beta_n\) 依赖 \(F\)。
2. 形状参数 \(\xi\) 在时间聚合下不变（Feller 1971）：日收益与周收益的尾指数相同。这为多期 VaR 提供了便利（7.7.3 节）。

相依数据：Berman (1964) 证明，平稳正态序列只要 \(\sum\rho_i^2<\infty\)，同样的极限分布成立。更一般的严平稳序列见 7.9 节的极值指数。

7.6.2 分块极大值与估计方法

一个样本只有一个最大值，无法估计三个参数。做法是把 \(T=ng\) 个收益分成 \(g\) 个不重叠的子期，每期 \(n\) 个观测（日数据 \(n=21\) 约一个月，\(n=63\) 约一个季度），取各子期最大值

\(n\) 足够大时，\(\{r_{n,i}\}\) 可看作来自 GEV（位置 \(\beta_n\)、尺度 \(\alpha_n\)、形状 \(\xi_n\)）的 \(g\) 个观测。\(T\) 不是 \(n\) 的倍数时，删掉开头几个观测或让最后一块短一些。

参数方法一：极大似然。 \(r_{n,i}\) 的密度为

在独立性下连乘得似然，数值最大化。适当条件下 MLE 渐近无偏、正态、有效（Embrechts et al. 1997；Coles 2001）。

参数方法二：回归法（Gumbel 1958）。 对 GEV 样本的次序统计量，\(E\{F_*[r_{n(i)}]\}=\frac{i}{g+1}\)。用观测值代替期望并取两次对数，

用非线性最小二乘估计。它相合但不如 MLE 有效，原书使用 MLE。

非参数方法：直接作用于全部收益的次序统计量 \(r_{(1)}\le\dots\le r_{(T)}\)，不需要分块。给定正整数 \(q\)：

• Pickands 估计：

  \[\hat\xi_p(q)=\frac{1}{\ln2}\ln\Big(\frac{r_{(T-q+1)}-r_{(T-2q+1)}}{r_{(T-2q+1)}-r_{(T-4q+1)}}\Big),\quad q\le T/4,\tag{7.24}\]

  适用于任何 \(\xi\)；\(\sqrt q[\hat\xi_p(q)-\xi]\) 渐近正态（Dekkers & de Haan 1989）。

• Hill 估计：

  \[\hat\xi_h(q)=\frac1q\sum_{i=1}^{q}\big[\ln r_{(T-i+1)}-\ln r_{(T-q)}\big],\tag{7.25}\]

  即最大的 \(q\) 个观测相对第 \(q+1\) 大观测的平均对数超出。只适用于 Fréchet 族（\(\xi>0\)），但此时比 Pickands 更有效；\(\sqrt q[\hat\xi_h(q)-\xi]\to N(0,\xi^2)\)，所以标准误约为 \(\hat\xi_h/\sqrt q\)（Goldie & Smith 1987）。

  直观理解：若尾部服从 Pareto 分布 \(P(X>x)=(x/x_0)^{-1/\xi}\)，则 \(\ln(X/x_0)\) 服从均值为 \(\xi\) 的指数分布，Hill 估计就是这个均值的 MLE。

  推导拆解：令 \(Y=\ln(X/x_0)\)。对 \(y>0\)，\(P(Y>y)=P(X>x_0e^y)=(e^y)^{-1/\xi}=e^{-y/\xi}\)，这正是均值 \(\xi\) 的指数分布的生存函数。指数分布均值的 MLE 是样本均值，所以「把最大的 \(q\) 个观测除以门槛值 \(r_{(T-q)}\)、取对数、求平均」就得到 \(\hat\xi\)。标准误 \(\hat\xi/\sqrt q\) 也来自指数分布的性质：指数分布标准差等于均值，\(q\) 个平均后标准误为 \(\xi/\sqrt q\)。数值例子：若最大的 3 个负收益为 12%、8%、6%，第 4 大为 5%，则 \(\hat\xi=\frac13[\ln2.4+\ln1.6+\ln1.2]=\frac13(0.875+0.470+0.182)\approx0.51\)（只为演示算法，\(q=3\) 太小，实际不可用）。

\(q\) 的选择没有共识。\(q\) 太小方差大，\(q\) 太大会把非尾部的观测混进来造成偏差。实践中画 \(\hat\xi_h(q)\) 对 \(q\) 的 Hill 图，选估计平稳的区域。

7.6.3 应用：IBM 日收益

IBM 日对数收益（%），1962-07-03 至 1998-12-31，\(T=9190\)。1987 年 10 月股灾在子期极值图中非常醒目，此外子期极值在 0.5%–13% 之间。

Hill 估计（括号为标准误）：

除 \(q\) 很小外估计稳定，约为 0.30，显著异于 0：IBM 日收益属于 Fréchet 族，正态假设被拒绝，与 Longin (1996) 对美国股指的结论一致。\(\xi\approx0.3\) 意味着尾部像自由度约 3.3 的 t 分布，四阶矩可能不存在。

GEV 极大似然（括号为标准误）：

观察：位置和尺度随 \(n\) 增大（子期越长，极值越大）；负收益的形状参数在 \(n\ge63\) 时稳定在 0.33 左右；正收益的形状参数较小、不太稳定；\(n=252\) 时 \(g\) 只有 36，估计变异很大。

拟合诊断：定义残差

由概率积分变换，模型正确时 \(w_i=-\ln F_*(r_{n,i})\) 应为 iid 标准指数分布，可画 QQ 图检查。原书 \(n=21\) 的诊断图显示拟合合理。

7.7 基于传统极值理论的 VaR

7.7.1 从子期最大值回到日收益

第一步：对小的上尾概率 \(p^*\)，子期最大值在 GEV 下的 \((1-p^*)\) 分位 \(r_n^*\) 满足 \(1-p^*=\exp\{-[1+\xi_n(r_n^*-\beta_n)/\alpha_n]^{-1/\xi_n}\}\)，解得

第二步：由 (7.15)，\(1-p^*=P(r_{n,i}\le r_n^*)=[P(r_t\le r_n^*)]^n\)。要让日收益超过 \(r_n^*\) 的概率为 \(p\)，即 \(P(r_t\le r_n^*)=1-p\)，需 \(1-p^*=(1-p)^n\)，即 \(-\ln(1-p^*)=-n\ln(1-p)\)。代回得

步骤：选 \(n\)，取子期最大值；MLE 估计三个参数；诊断；用 (7.28) 算 VaR。多头用负收益。

推导拆解： 第一步（解 (7.26)）：对 \(1-p^*=\exp\{-[1+\xi_n(r_n^*-\beta_n)/\alpha_n]^{-1/\xi_n}\}\) 两边取对数得 \(-\ln(1-p^*)=[\cdots]^{-1/\xi_n}\)；两边取 \(-\xi_n\) 次幂得 \([-\ln(1-p^*)]^{-\xi_n}=1+\xi_n(r_n^*-\beta_n)/\alpha_n\)；再解出 \(r_n^*\)，即 (7.26)。 第二步（从月度极值换回日收益）：关键关系 \(1-p^*=(1-p)^n\) 来自 (7.15)：「子期内 \(n\) 天都不超过 \(r_n^*\)」的概率是单日概率的 \(n\) 次方。（下文量化实战中提到的「(7.27) 的独立性近似」应指这一关系；本章正文在 (7.26) 与 (7.28) 之间没有给出 (7.27) 的编号。） 第三步：取对数 \(\ln(1-p^*)=n\ln(1-p)\)，代入 (7.26) 即得 (7.28)。 数值核对例 7.6：\(-63\ln0.99=0.6332\)，\(0.6332^{-0.335}=1.1655\)，\(\text{VaR}=2.583-2.821\times(1-1.1655)=3.050\%\)。

白话解释：这个推导的妙处在于「用月度最大值的分布反推日分布的尾部」。月度最大值样本比日度尾部样本「更纯」，全都来自尾部；但第二步假设一个月内的日收益相互独立，波动聚集时这个假设不成立，后面 7.9 节就是来修补它的。

例 7.6（IBM，1,000 万美元多头）：\(n=63\)，\(\hat\alpha_n=0.945\)，\(\hat\beta_n=2.583\)，\(\hat\xi_n=0.335\)，\(p=0.01\)：

即 304,969 美元；\(p=0.05\) 时为 166,641 美元。\(n=21\) 时 VaR 为 3.40013%，即 340,013 美元（1%）和 184,127 美元（5%）。

意外之处：传统 EVT 的 VaR 比 GARCH 方法还小，甚至低于经验分位数。部分原因是尾部概率不够小——取 \(p=0.001\) 时，高斯 AR(2)–GARCH(1,1) 的 VaR 为 546,641 美元，EVT（\(n=21\)）为 666,590 美元。更根本的原因是：传统 EVT 假设日收益独立，而子期最大值的构造忽略了波动聚集——7.9 节的极值指数和 7.8.6 节的条件 EVT 正是为此而设。此外 VaR 依赖 \(n\)：极限分布要求 \(n\) 大，但 \(T\) 固定时 \(n\) 大意味着 \(g\) 小，需要折中，并检查 VaR 对 \(n\) 的稳定性。

7.7.2 各方法的比较

IBM，1,000 万美元多头，1998-12-31 的下一交易日 VaR（美元）：

（正态 GARCH 的 5% VaR 在例 7.3 正文中为 287,700；1% 经验分位数 VaR 在例 7.5 正文中为 363,000。原书前后数字略有出入。）

结论：

1. 不同方法差异很大，因为尾部估计本身有很大不确定性。没有"真实 VaR"可比较，建议同时用多种方法，了解 VaR 的范围。
2. 样本有 9,190 个观测时，5% 和 1% 的经验分位数是不错的估计，可作为真实 VaR 的保守下界；以此衡量，传统 EVT 低估了 IBM 的 VaR。
3. 尾部概率很小（0.1%）时，经验分位数不再可靠，不能当下界。
4. 尾部概率越小，厚尾的影响越明显：0.1% 时 \(t_5\) 和 EVT 的 VaR 都远大于正态模型。

7.7.3 多期 VaR：α 次根法则

在 EVT 框架下，RiskMetrics 的时间平方根法则是一个特例。Danielsson & de Vries (1997a) 给出 \(\ell\) 日与 1 日 VaR 的关系

\(\alpha=1/\xi\) 为尾指数（注意不是尺度参数 \(\alpha_n\)），称 α 次根时间法则。直观上，厚尾分布的极端损失主要来自"一次大跳"而非"许多小损失累积"，所以多期极端损失增长得比 \(\sqrt\ell\) 慢。例：IBM，\(p=0.01\)，\(n=63\)，30 日 VaR \(=30^{0.335}\times304{,}969=3.125\times304{,}969=\$952{,}997\)，低于平方根法则给出的 \(\sqrt{30}\times304{,}969=\$1{,}670{,}000\)。

金融直觉：为什么尾部的缩放指数是 \(\xi\) 而不是 \(1/2\)？对幂律尾部有一个「单次大跳」原理：\(\ell\) 个独立厚尾损失之和超过一个很大的 \(x\)，几乎总是因为其中某一天特别大，而不是每天都中等偏大。于是 \(P(\text{总和}>x)\approx\ell\cdot P(\text{单日}>x)\approx\ell\,cx^{-1/\xi}\)。要让这个概率等于 \(p\)，需要的 \(x\) 满足 \(\ell x^{-1/\xi}=\) 常数，解得 \(x\propto\ell^{\xi}\)。正态情形下大损失来自「许多中等损失的累积」，所以按 \(\sqrt\ell\) 缩放。注意这个法则只在极端分位、且日收益近似独立时成立；有波动聚集时，连续几天的大跌会让多期尾部比 \(\ell^\xi\) 更重，使用时要谨慎，不能把它当作「多期风险比平方根法则小」的通用结论。

7.7.4 回报水平

回报水平（return level）\(L_{n,g}\) 是"每 \(g\) 个长度为 \(n\) 的子期中平均被超过一次"的水平：

正是 (7.26) 中 \(p^*=1/g\) 的情形。被超过的子期称为压力期（stress period）。它与 VaR 的区别在于针对的是子期最大值而非单日收益。IBM 负收益，\(n=21\)，\(g=12\)（约"一年一遇的月度最大日跌幅"）：回报水平 4.48%，剖面似然 95% 区间约 [4.18%, 4.86%]。回报水平是压力测试情景的自然语言："十年一遇"的单日跌幅是多少。

7.8 超阈值方法（POT）

7.8.1 思路

传统方法有两个困难：子期长度 \(n\) 没有明确的选法；它是无条件的，难以纳入解释变量。Davison & Smith (1990)、Smith (1989) 的新方法不看极大值，而看超过某个高阈值 \(\eta\) 的观测：超越发生的时间 \(t_i\) 与超出量 \(r_{t_i}-\eta\)。这称为超阈值峰值法（peaks over thresholds，POT）。

以 IBM 多头为例：对负日收益设阈值 \(\eta=2.5\%\)，关注 \(\{(t_i,r_{t_i}-\eta):r_{t_i}>\eta\}\)。超越时间成簇说明市场处于大跌期；超出量是实际损失的大小。

POT 不需要选 \(n\)，但需要选阈值 \(\eta\)。阈值既是统计问题也是金融问题：不同机构风险容忍度不同；平稳的大盘股多头用 2.5% 可能就够，高波动的互联网股可能要 10%。经验上让超越数约占样本的 5%（Danielsson & de Vries 1997b 有正式研究）。

7.8.2 广义帕累托分布

考虑给定 \(r>\eta\) 时超出量 \(x=r-\eta\) 的条件分布：

把 \(F\) 用 GEV 近似，并在 \(F_*\) 接近 1 时用 \(\ln F_*\approx-(1-F_*)\)，得

推导拆解： 第一步：(7.29) 等价于「超出量的生存概率」\(=\frac{1-F(x+\eta)}{1-F(\eta)}\)。 第二步：在尾部 \(F_*\) 接近 1，\(\ln F_*=\ln[1-(1-F_*)]\approx-(1-F_*)\)。由 GEV 形式 \(\ln F_*(y)=-[1+\xi(y-\beta)/\alpha]^{-1/\xi}\)，所以 \(1-F(y)\approx[1+\xi(y-\beta)/\alpha]^{-1/\xi}\)。 第三步：代入比值，\(\frac{[1+\xi(x+\eta-\beta)/\alpha]^{-1/\xi}}{[1+\xi(\eta-\beta)/\alpha]^{-1/\xi}}=\Big[\frac{\alpha+\xi(x+\eta-\beta)}{\alpha+\xi(\eta-\beta)}\Big]^{-1/\xi}=\Big[1+\frac{\xi x}{\alpha+\xi(\eta-\beta)}\Big]^{-1/\xi}\)。分子分母都乘以 \(\alpha\)，再把分子拆成「分母 \(+\xi x\)」即得。

金融直觉：GPD 回答的是「已经跌破止损线，还会再跌多少」。这和保险中「超额损失再保险」的定价思路完全相同：再保险人只关心赔付超过自留额的部分，GPD 正是这部分的标准模型。

这就是广义帕累托分布（generalized Pareto distribution，GPD）：

尺度 \(\psi(\eta)=\alpha+\xi(\eta-\beta)>0\)；\(\xi\ge0\) 时 \(x\ge0\)，\(\xi<0\) 时 \(0\le x\le-\psi(\eta)/\xi\)。形状参数 \(\xi\) 与 GEV 中的完全相同——这建立了新旧方法的联系（Pickands–Balkema–de Haan 定理）。

阈值稳定性：若阈值 \(\eta_o\) 上的超出量服从 GPD\((\xi,\psi(\eta_o))\)，则对任何更高阈值 \(\eta>\eta_o\)，超出量仍服从 GPD，形状不变，尺度变为

\(\xi=0\) 时 GPD 是指数分布，所以画超出量对指数分布的 QQ 图：若明显向上弯曲，说明 \(\xi>0\)（尾部比指数厚）。IBM 负收益、阈值 2.5% 的 QQ 图明显非线性。

7.8.3 平均超出函数与阈值选择

若阈值 \(\eta_o\) 上超出量服从 GPD\((\xi,\psi(\eta_o))\)，\(0<\xi<1\)，则平均超出为 \(E(r-\eta_o\mid r>\eta_o)=\psi(\eta_o)/(1-\xi)\)。对 \(\eta>\eta_o\)，由阈值稳定性，平均超出函数

是 \(\eta\) 的线性函数，斜率 \(\xi/(1-\xi)\)。经验版本

对 \(\eta\) 的图称平均超出图（mean excess plot，或 mean residual life plot）。选择阈值的图形方法：找一个 \(\eta_o\)，使图在其右侧近似线性。IBM 负收益约 3% 的阈值是合理的。

金融直觉：平均超出函数 \(e(\eta)\) 就是「在损失已经超过 \(\eta\) 的条件下，平均还会再多亏多少」，也就是 \(\text{ES}-\text{VaR}\) 的一般形式。三种尾部给出三种形状：指数尾（\(\xi=0\)，类似正态以外的轻尾）\(e(\eta)\) 是常数，「已经亏了多少」不影响「还会再亏多少」；厚尾（\(\xi>0\)）\(e(\eta)\) 随 \(\eta\) 上升，亏得越多，预期还会亏得越多，这正是危机中「最坏的还没来」的数学表达；有界尾（\(\xi<0\)）\(e(\eta)\) 下降。数值例子：\(\xi=0.25\) 时斜率 \(\xi/(1-\xi)=1/3\)，阈值每提高 3 个百分点，平均超出增加 1 个百分点。

7.8.4 二维泊松过程

Smith (1989) 把 \((t_i,r_{t_i})\) 作为二维泊松过程联合建模；Tsay (1999) 用于 VaR。取基准时间区间 \(D\)（通常 1 年，美国 \(D=252\) 个交易日）。强度测度为

\(r>\eta\)，\([x]_+=\max(x,0)\)。含义：一段时间内超过 \(r\) 的期望次数与时间长度成正比，比例由类似 GEV 的"生存函数" \(S\) 决定。

与 GPD 的联系：

正是 (7.30) 中超出量的生存函数。所以三种方法（GEV、GPD、二维泊松）的参数含义一致。

强度函数 \(\lambda(t,z)=\frac1Dg(z;\xi,\alpha,\beta)\)，\(g=\frac1\alpha[1+\xi(z-\beta)/\alpha]^{-(1+\xi)/\xi}\)。泊松过程在 \([0,T]\times(\eta,\infty)\) 上的似然为

第一项是"在观测到的位置发生了超越"的密度，第二项是"其他地方没有超越"的概率。估计时用 \(\ln\alpha\) 保证正性。

白话解释：可以把二维泊松过程想象成在「时间 × 损失大小」平面上撒点：每个点代表一次超越，横坐标是日期，纵坐标是损失。强度测度 (7.33) 告诉你任意一块矩形区域里「平均有多少个点」：矩形越宽（时间越长）点越多，越高（损失阈值越高）点越少，后者按 GEV 型的幂律下降。似然 (7.35) 的结构和信用风险中违约强度模型的似然相同：「每个违约发生时刻的强度」连乘，再乘以「其余时间都没违约的生存概率」\(e^{-\text{累积强度}}\)。这里 \(\frac TDS(\eta)\) 就是整个样本期内超过阈值 \(\eta\) 的期望次数。

例 7.7（IBM 负日收益，%，\(D=252\)）：

IBM 一天下跌至少 2.5% 的频率约 \(310/9190\approx3.4\%\)。去均值影响很小。

7.8.5 POT 下的 VaR 与 ES

二维泊松参数化：VaR 公式与 (7.28) 同形，用基准区间 \(D\) 代替 \(n\)：

例 7.8（IBM，1,000 万美元多头）：原始收益，阈值 3.0%、2.5%、2.0% 下的 5% VaR 为 228,239、219,106、212,981 美元，1% VaR 为 359,303、361,119、368,552 美元；去均值后分别为 232,094、225,782、217,740 和 363,697、364,254、372,372 美元。VaR 对阈值不敏感，比传统 EVT（对 \(n\) 很敏感）稳定得多。建议先去均值再用 POT。

GPD 参数化（R 的 evir、Python 的 scipy.stats.genpareto）：给定阈值 \(\eta\)，直接用 \((\xi,\psi(\eta))\) 拟合超出量。两种参数化可互换：IBM 阈值 2.5% 时 \(\hat\psi(\eta)=e^{0.31529}+0.26418\times(2.5-4.7406)=0.7787\%\)，与 gpd 直接估计的 0.007786 一致。

用经验 CDF 估计 \(\hat F(\eta)=(T-N_\eta)/T\)，由 (7.29)：

令 \(F(y)=q=1-p\) 解出

推导拆解：思路是「无条件尾部概率 = 超过阈值的概率 × 超过阈值后再超过 \(y\) 的条件概率」。 第一步：\(P(r>y)=P(r>\eta)\cdot P(r>y\mid r>\eta)\approx\frac{N_\eta}{T}\big[1+\xi(y-\eta)/\psi\big]^{-1/\xi}\)。第一个因子用经验频率，第二个因子用 GPD。 第二步：令 \(P(r>y)=1-q\)，得 \(\big[1+\xi(y-\eta)/\psi\big]^{-1/\xi}=\frac{T}{N_\eta}(1-q)\)。 第三步：两边取 \(-\xi\) 次幂，\(1+\xi(y-\eta)/\psi=\big[\frac{T}{N_\eta}(1-q)\big]^{-\xi}\)，解出 \(y\) 即 (7.37)。 这种「经验频率处理阈值以下、参数模型处理阈值以上」的组合，正是 EVT 能外推到样本外的原因：经验分位数在 99.9% 处只剩几个点，而 GPD 用阈值以上的几百个点估计出尾部形状，再沿着幂律外推。

ES：由阈值稳定性，超过 \(\text{VaR}_q\) 的超出量仍是 GPD，尺度为 \(\psi(\eta)+\xi(\text{VaR}_q-\eta)\)，于是（\(0<\xi<1\)）

IBM 负收益、阈值 2.5%（\(\hat\xi=0.2642\)，\(\hat\psi=0.007786\)，\(N_\eta=310\)）：

1,000 万美元头寸的 1% VaR 为 361,661 美元，ES 为 507,576 美元。注意 ES/VaR 的比值随 \(q\to1\) 趋于 \(1/(1-\xi)=1.36\)；正态分布下这个比值趋于 1。

金融直觉：ES/VaR 比值是一个很实用的尾部厚度指标。由 (7.38)，\(q\to1\) 时 VaR 变得很大，常数项 \(\frac{\psi-\xi\eta}{1-\xi}\) 相对可忽略，比值趋于 \(1/(1-\xi)\)。正态下比值趋于 1，因为尾部衰减极快，一旦越过 VaR，损失几乎不会再远离 VaR。对监管从 99% VaR 转向 97.5% ES 的含义：正态下两者大致相当（\(2.326\sigma\) 对 \(2.338\sigma\)），厚尾时 97.5% ES 显著更大，所以这一改革实质上是对厚尾头寸加收资本。另外 \(\xi\ge1\) 时 ES 无穷大（均值不存在），公式也要求 \(0<\xi<1\)。

7.8.6 引入解释变量：条件 EVT

齐次二维泊松模型参数不随时间变化，忽略了波动聚集。POT 的一大优点是容易引入解释变量。设 \(t\) 之前可得的解释变量 \(\boldsymbol x_t\)（如 GARCH 波动率、FOMC 会议日），令

\(\boldsymbol\gamma=0\) 表示形状参数不随时间变化，可用于检验。此时是非齐次泊松过程；若参数在每个交易日内不变，似然为

这与 GARCH 的思路相同：参数是 \(t\) 时可得信息的确定函数。

7.8.7 模型检验

二维泊松模型要检验三个方面：

• 超越率：泊松过程相邻事件的间隔应服从指数分布。日数据下定义

  \[z_{t_i}=\frac1D\sum_{t=t_{i-1}+1}^{t_i}S(\eta;\xi_t,\alpha_t,\beta_t),\tag{7.42}\]

  模型正确时 \(z_{t_i}\) 应为 iid 标准指数，QQ 图为过原点斜率 1 的直线。

• 超出量分布：超出量服从形状 \(\xi_t\)、尺度 \(\psi_t=\alpha_t+\xi_t(\eta-\beta_t)\) 的 GPD。定义

  \[w_{t_i}=\frac{1}{\xi_{t_i}}\ln\Big[1+\xi_{t_i}\frac{r_{t_i}-\eta}{\psi_{t_i}}\Big],\tag{7.43}\]

  模型正确时应为 iid 均值 1 的指数分布。

• 独立性：\(z_{t_i}\)、\(w_{t_i}\) 的 ACF 应无显著相关。

这和第 07a 章 VaR 回测中的 Christoffersen 独立性检验是同一个思想：极端事件不应成簇出现。

7.8.8 例：IBM 的非齐次模型

齐次模型（例 7.7，阈值 2.5%）未通过检验：\(z\)、\(w\) 的 ACF 显著，\(z\) 的 QQ 图偏离直线。改用去均值收益，候选解释变量（都在 \(t-1\) 时可得）：

1. \(x_{1t}\)：10–12 月指示（年末效应）；
2. \(x_{2t}\)：前一日跌幅 ≥2.5% 的指示（恐慌抛售）；
3. \(x_{3t}\)：前 5 天中 \(|r_{t-i}|\ge2.5\%\) 的天数（定性波动率）；
4. \(x_{4t}\)：年度趋势 \((\text{年份}-1961)/38\)；
5. \(x_{5t}=\sigma_t\)：高斯 GARCH(1,1) 的拟合波动率，\(\sigma_t^2=0.04565+0.0807a_{t-1}^2+0.9031\sigma_{t-1}^2\)。

删去不显著参数后（阈值 2.5%，334 次超越，括号为标准误）：

（精读笔记中该表的列对应关系由抽取文本重建，并用正文给出的 \(\xi_{9190},\ln\alpha_{9190},\beta_{9190}\) 回代验证：\(x_3=0\)、\(x_4=0.9737\)、\(x_5=1.9766\) 时得 \(\xi=0.0120\)、\(\ln\alpha=0.1933\)、\(\beta=6.105\)，与正文一致。）

此时 \(z\)、\(w\) 的 ACF 全部落在两倍标准误内，QQ 图显著改善，模型充分。解读：

1. 三个参数都显著依赖年度趋势。按上表数值，\(\xi\) 对趋势的系数为正（+0.355），即 IBM 收益的尾部随时间变厚、越来越偏离正态。原书文字称形状参数有"负的年度趋势"，与表中数值和"越来越偏离正态"的结论相矛盾，这里以数值为准。
2. 年末效应 \(x_1\) 和恐慌抛售 \(x_2\) 对三个参数都不显著。
3. 位置参数随 GARCH 波动率上升，符合直觉。按表中数值，\(\xi\) 对 GARCH 波动率的系数为负（−0.260），即高波动时尾部形状反而变薄——高波动日的大损失更多由"尺度"（位置）解释，而不是由更厚的尾解释。原书文字把它描述为正向影响，同样与数值不符。
4. 尺度和形状参数显著依赖定性波动率 \(x_3\)：近期频繁出现大波动时，尺度和尾部厚度都上升。

VaR：1998-12-31，\(x_3=0\)、\(x_4=0.9737\)、\(x_5=1.9766\)，得 \(\xi=0.01195\)、\(\ln\alpha=0.19331\)、\(\beta=6.105\)，由 (7.36)：5% VaR \(=\$303{,}756\)，1% VaR \(=\$497{,}425\)，后者明显高于正态 GARCH。前一天（1998-12-30，\(x_3=1\)、\(x_5=1.8757\)）参数为 \(\xi=0.2500\)、\(\ln\alpha=0.52385\)、\(\beta=5.8834\)，5% VaR \(=\$269{,}139\)，1% VaR \(=\$448{,}323\)。条件 EVT 的参数随市场状况自适应，由此看来齐次模型低估了 VaR。

7.9 极值指数

7.9.1 动机

前面的理论假设 iid，但现实中极端事件成簇出现：坏消息之后常连续几天大跌。本节把理论推广到严平稳序列，核心概念是极值指数 \(\theta\in(0,1]\)。

启发式论证：若相依性随距离快速衰减，把数据分成大小为 \(k\) 的块，块最大值之间近似独立，整体最大值是块最大值的最大值，所以极限仍是极值分布；但块最大值的分布不是 \(F^k\)，而依赖于块内相依性，因此参数会改变。

7.9.2 \(D(u_n)\) 条件与 Leadbetter 定理

设 \(u_n\) 为递增阈值序列，\(\limsup n[1-F(u_n)]<\infty\)。若对任意两组下标集合 \(A_1\)、\(A_2\)（相隔至少 \(\ell_n\)，\(\ell_n/n\to0\)），

则称满足 \(D(u_n)\) 条件（Leadbetter 1974）：相隔足够远的"最大值不超过阈值"事件渐近独立。这个条件相当弱，例如高斯序列只要 \(\rho_n\ln n\to0\) 就满足。

Leadbetter 定理：(1) 严平稳序列在 \(D(u_n)\) 下，规范化最大值若有非退化极限，则该极限是极值分布。(2) 设 \(\{\tilde x_i\}\) 是与 \(\{x_i\}\) 同边际分布的 iid 序列，其规范化最大值收敛到 \(\tilde F_*\)；在 \(D(u_n)\) 及收敛性条件下，

参数如何变化（\(\xi\ne0\)）：

\(\xi_*=\xi\)，\(\alpha_*=\alpha\theta^\xi\)，\(\beta_*=\beta-\alpha(1-\theta^\xi)/\xi\)。形状参数与 iid 情形相同，位置和尺度受 \(\theta\) 影响。\(\xi=0\) 时 \(\alpha_*=\alpha\)，\(\beta_*=\beta+\alpha\ln\theta\)。

正式定义：若对每个 \(\tau>0\) 存在 \(u_n\) 使 \(n[1-F(u_n)]\to\tau\) 且 \(P(x_{(n)}\le u_n)\to e^{-\theta\tau}\)，则 \(\theta\) 为极值指数。iid 时 \(P(\tilde x_{(n)}\le u_n)=[1-\tau/n]^n\to e^{-\tau}\)，所以 \(\theta=1\) 对应无聚集；\(\theta<1\) 时极值成簇，\(1/\theta\) 可理解为平均簇大小。

白话解释：用一个数值例子理解 \(\theta\)。设 1000 天里有 10 次超过阈值的大跌（\(\tau=10\)）。若各天独立，这 10 次大跌散落在 10 个不同时段，「整个期间一次都没超过」的概率约 \(e^{-10}\)。若大跌总是两天一组出现，10 次超越实际上只是 5 个「独立事件」，「一次都没超过」的概率变成约 \(e^{-5}\)，对应 \(\theta=0.5\)，平均簇大小 \(1/\theta=2\)。所以 \(\theta\) 是「独立极端事件个数 / 极端日天数」。

金融直觉：这和信用组合中的违约相关性类似：同样的平均违约率，违约若成批发生，「一年中没有违约」的概率更高，但「一旦出事就是一串」。对风险管理而言，\(\theta<1\) 意味着平静期看起来更安全，危机期则损失集中爆发，这正是 GARCH 波动聚集在极值层面的表现。

7.9.3 估计

块方法：由 \(P(x_{(n)}\le u_n)\approx[F(u_n)]^{n\theta}\)，

用 \(\hat F(u_n)=1-N(u_n)/n\)（\(N\) 为超越次数）；把数据分成 \(g=n/k\) 块，\(\hat P(\text{块最大值}\le u_n)=1-G(u_n)/g\)（\(G\) 为含超越的块数），得

用 \(\ln(1-x)\approx-x\) 进一步得

正好是"平均簇大小"的倒数（Hsing et al. 1988）。

推导拆解：从 \(\hat\theta_b^{(1)}\) 到 \(\hat\theta_b^{(2)}\) 只用了 \(\ln(1-x)\approx-x\)。分子 \(\ln[1-G/g]\approx-G/g\)，分母 \(\ln[1-N/n]\approx-N/n\)，于是 \(\hat\theta^{(1)}\approx\frac1k\cdot\frac{G/g}{N/n}=\frac1k\cdot\frac{G\,n}{N\,g}\)。又 \(n=gk\)（总天数 = 块数 × 块大小），代入得 \(G/N\)。数值例子见练习 5：200 次超越落在 140 个块中，\(\hat\theta=0.7\)，平均每个「极端时段」包含约 1.43 个极端日。

游程方法（O'Brien 1987）：一次超越之后紧跟 \(k\) 个不超越，视为一个簇的结束，

两种估计都对阈值和块大小（游程长度）敏感。IBM 负日收益，块大小 \(k=10\)、阈值 2.5% 时 \(\hat\theta_b^{(1)}=0.823\)，即极端下跌平均以约 1.2 天为一簇出现。

7.9.4 平稳序列的 VaR

由 \(P(x_{(n)}\le u_n)\approx[F(u_n)]^{n\theta}\)，(7.28) 修正为

由于 \(\theta<1\) 使方括号内的数变小，其负幂变大，VaR 增大——忽略极值指数会低估 VaR。IBM：\(\hat\theta=0.823\)，\(n=63\)，1% VaR 从 3.0497% 升到 3.2714%。直觉：极端损失成簇时，它们集中在少数子期里，许多子期没有极端值，所以子期最大值整体偏低，拟合出的 GEV 看起来比日损失的真实尾部"薄"。一个长度为 \(n\) 的子期，其最大值的行为只相当于 \(n\theta\) 个独立观测的最大值；换算回日收益时若仍按 \(n\) 个独立观测处理，就会低估日损失的尾部。

量化实战

应用场景

1. 尾部风险度量：GPD 下的 VaR 与 ES 有闭式公式 (7.37)–(7.38)，计算快，适合作为风控系统中 VaR/ES 引擎的一个模块；特别适合 99.9% 等极端分位，经验分位数在那里已经不可靠。
2. 条件 EVT（GARCH–EVT）：业界常用的 McNeil–Frey 两步法——先用 GARCH 过滤得到标准化残差，再对残差尾部拟合 GPD，VaR \(=\mu_{t+1}+\sigma_{t+1}\cdot\text{VaR}_q(\epsilon)\)。它与 7.8.6 节"参数是波动率的函数"的思路一致，但实现更简单。
3. 尾部风险因子：滚动窗口的 Hill 尾指数、极值指数可作为个股尾部风险特征，用于选股或风险预算。
4. 压力测试：回报水平给出"\(g\) 个子期一遇"的极端损失，是设定压力情景的自然方式；α 次根法则给出多期极端损失的缩放。
5. 局限：本章都是单变量、日频数据；组合层面需要考虑危机中相关性上升的尾部相依，属于多元极值理论与 Copula，原书本章未覆盖。

Python 示例

代码先用原书参数复现例 7.6、极值指数修正和 α 次根法则的数字；然后模拟一个 GARCH + \(t_4\) 新息的日收益序列（真实尾部形状 \(\xi=1/4\)，并有波动聚集），依次做 Hill 估计、分块 GEV 极大似然 VaR、两个阈值下的 GPD VaR 与 ES、平均超出函数，以及三种极值指数估计。注意 scipy.stats.genextreme 的形状参数 c 等于 \(-\xi\)，而 genpareto 的 c 就是 \(\xi\)。

import numpy as np
from scipy import stats, optimize

rng = np.random.default_rng(99)

# ---------- 0. 原书例题核对：传统 EVT VaR (7.28)、极值指数修正 (7.51)、α 次根法则 ----------
def evt_var(beta, alpha, xi, n, p, theta=1.0):
    return beta - alpha/xi*(1 - (-n*theta*np.log(1-p))**(-xi))
print(f"例 7.6 n=63: VaR(1%) = {evt_var(2.583, 0.945, 0.335, 63, 0.01):.5f}%  (原书 3.04969)")
print(f"例 7.6 n=21: VaR(1%) = {evt_var(1.902, 0.823, 0.197, 21, 0.01):.5f}%  (原书 3.40013)")
print(f"极值指数修正 θ=0.823: VaR(1%) = {evt_var(2.583, 0.945, 0.335, 63, 0.01, 0.823):.4f}%  (原书 3.2714)")
print(f"α 次根法则: 30 日 VaR = 30^0.335 × 304,969 = {30**0.335*304969:,.0f}")

# ---------- 1. 模拟日收益：GARCH(1,1) + 标准化 t4 新息（%）。取负收益做多头损失 ----------
T, nu = 20000, 4
z = stats.t.rvs(nu, size=T, random_state=rng)/np.sqrt(nu/(nu-2))
r, s2 = np.zeros(T), np.zeros(T); s2[0] = 1.0
for t in range(T):
    if t: s2[t] = 0.02 + 0.08*r[t-1]**2 + 0.90*s2[t-1]
    r[t] = np.sqrt(s2[t])*z[t]
x = -r
p = 0.01
print(f"\n样本经验 99% 分位 = {np.quantile(x, 0.99):.3f}%, 99.9% 分位 = {np.quantile(x, 0.999):.3f}%")

# ---------- 2. Hill 估计 (7.25) ----------
xs = np.sort(x)
for q in (200, 400, 800):
    top = xs[-q:]; xi_h = np.mean(np.log(top) - np.log(xs[-q-1]))
    print(f"Hill q={q}: xi = {xi_h:.3f} (SE {xi_h/np.sqrt(q):.3f})")

# ---------- 3. 分块极大值 + GEV 极大似然（注意 scipy 的 c = -xi）----------
gev = {}
for n in (21, 63):
    g = T//n
    mx = x[T - g*n:].reshape(g, n).max(axis=1)          # 删除开头不足一块的观测
    c, loc, scale = stats.genextreme.fit(mx)
    xi = -c
    var_gev = evt_var(loc, scale, xi, n, p); gev[n] = (loc, scale, xi)
    print(f"GEV n={n:>2} (g={g}): xi={xi:.3f}, alpha_n={scale:.3f}, beta_n={loc:.3f} -> 1% VaR = {var_gev:.3f}%")

# ---------- 4. POT：GPD 拟合超阈值部分，VaR (7.37) 与 ES ----------
for u in (np.quantile(x, 0.95), np.quantile(x, 0.975)):
    exc = x[x > u] - u; Nu = len(exc)
    xi, _, psi = stats.genpareto.fit(exc, floc=0)
    var_q = u - psi/xi*(1 - (T/Nu*p)**(-xi))
    es_q = var_q/(1 - xi) + (psi - xi*u)/(1 - xi)
    print(f"GPD 阈值 {u:.2f} (超越 {Nu}): xi={xi:.3f}, psi={psi:.3f} -> VaR {var_q:.3f}%, ES {es_q:.3f}%")

# 平均超出函数：GPD 下应关于阈值线性，斜率 xi/(1-xi)
grid = np.quantile(x, [0.90, 0.93, 0.95, 0.97, 0.98, 0.99])
me = [np.mean(x[x > u] - u) for u in grid]
slope = np.polyfit(grid, me, 1)[0]
print("平均超出函数:", np.round(me, 3), f"斜率 {slope:.3f} => 隐含 xi ≈ {slope/(1+slope):.3f}")

# ---------- 5. 极值指数：块方法 (7.50) 与游程方法 ----------
u = np.quantile(x, 0.99); k = 10
Nn = np.sum(x > u)
blocks = x[:T//k*k].reshape(-1, k); g = blocks.shape[0]
G = np.sum(blocks.max(axis=1) > u)
th1 = np.log(1 - G/g)/np.log(1 - Nn/T)/k
th2 = G/Nn
exceed = x > u
runs = sum(exceed[i] and not exceed[i+1:i+1+k].any() for i in range(T - k))
th3 = runs/Nn
iid = rng.permutation(x)
G_iid = np.sum(iid[:T//k*k].reshape(-1, k).max(axis=1) > u)
print(f"\n极值指数 (u=99%分位, k={k}): 块方法 θ1={th1:.3f}, θ2={th2:.3f}, 游程 θ3={th3:.3f}; "
      f"打乱顺序后 θ2={G_iid/Nn:.3f}")
for n in (21, 63):
    print(f"GEV n={n} 加极值指数修正 (θ={th1:.3f}): 1% VaR = {evt_var(*gev[n], n, p, th1):.3f}%")

关键输出：

例 7.6 n=63: VaR(1%) = 3.04969%  (原书 3.04969)
例 7.6 n=21: VaR(1%) = 3.40013%  (原书 3.40013)
极值指数修正 θ=0.823: VaR(1%) = 3.2714%  (原书 3.2714)
α 次根法则: 30 日 VaR = 30^0.335 × 304,969 = 952,997

样本经验 99% 分位 = 2.378%, 99.9% 分位 = 4.938%
Hill q=200: xi = 0.329 (SE 0.023)
Hill q=400: xi = 0.369 (SE 0.018)
Hill q=800: xi = 0.383 (SE 0.014)
GEV n=21 (g=952): xi=0.266, alpha_n=0.518, beta_n=1.132 -> 1% VaR = 2.130%
GEV n=63 (g=317): xi=0.257, alpha_n=0.666, beta_n=1.671 -> 1% VaR = 1.994%
GPD 阈值 1.25 (超越 1000): xi=0.265, psi=0.550 -> VaR 2.353%, ES 3.497%
GPD 阈值 1.67 (超越 500): xi=0.237, psi=0.681 -> VaR 2.369%, ES 3.479%
平均超出函数: [0.64  0.697 0.742 0.858 0.966 1.096] 斜率 0.315 => 隐含 xi ≈ 0.239

极值指数 (u=99%分位, k=10): 块方法 θ1=0.840, θ2=0.810, 游程 θ3=0.630; 打乱顺序后 θ2=0.945
GEV n=21 加极值指数修正 (θ=0.840): 1% VaR = 2.270%
GEV n=63 加极值指数修正 (θ=0.840): 1% VaR = 2.127%

这组结果几乎重演了原书在 IBM 上的全部发现。第一，传统 EVT（分块 GEV）的 1% VaR（2.13%、1.99%）明显低于经验分位数 2.38%，而且依赖 \(n\)；加入极值指数修正后上升到 2.27%、2.13%，有所改善但仍偏低——(7.27) 的独立性近似在有 GARCH 聚集时并不精确。第二，GPD 的 VaR（2.35%、2.37%）与经验分位数很接近，且对阈值不敏感，与例 7.8 一致。第三，GPD 和 GEV 的 \(\xi\) 估计在 0.24–0.27，接近真值 0.25；Hill 估计随 \(q\) 增大而上偏（0.33→0.38），说明 Hill 对 \(q\) 很敏感，需要看 Hill 图。第四，极值指数约 0.8（游程法 0.63），打乱时间顺序后接近 1——极值聚集来自 GARCH 的波动聚集，而非边际分布。ES/VaR 约为 1.48，比 \(t\) 分布下 1% 处的 1.33 更大，因为这里是条件分布混合后的无条件尾部。

本章小结

极值定理告诉我们：无论收益的分布是什么，只要规范化最大值有极限，它就是 GEV；金融收益属于厚尾的 Fréchet 族，IBM 日收益的形状参数约 0.2–0.35。传统 EVT 用分块极大值估计 GEV，再由 (7.28) 换算为日 VaR，但它依赖子期长度、忽略波动聚集，在 IBM 上低估了 VaR。POT 方法对超阈值部分拟合 GPD（形状参数与 GEV 相同），VaR 与 ES 有闭式公式，对阈值不敏感，更稳定；用二维泊松过程表述后，还能把参数写成解释变量的函数，得到随市场状况自适应的条件 EVT，并用超越间隔与超出量的指数性做诊断。极值指数 \(\theta\) 刻画极端事件的聚集，形状参数不受影响，但忽略它会低估 VaR。各种 VaR 方法在 IBM 上的结果相差很大，应同时使用多种方法，了解风险的范围。

练习

基础

1. 自由度为 3 的 Student-t 分布属于哪类极值分布？形状参数是多少？它的几阶矩存在？ 提示：Fréchet，\(\xi=1/3\)，只有小于 3 阶的矩存在。
2. 某股票负日收益（%）用 \(n=21\) 的子期拟合 GEV，得 \(\hat\beta=2.0\)、\(\hat\alpha=0.9\)、\(\hat\xi=0.25\)。计算 1% 和 0.1% 的 1 日 VaR（%），以及 10 日 1% VaR（α 次根法则）。 提示：\(-21\ln0.99=0.2111\)，VaR\(_{1\%}=2.0-3.6(1-0.2111^{-0.25})=2.0+3.6\times0.4754=3.71\%\)；0.1% 时 \(-21\ln0.999=0.02101\)，VaR \(=2.0+3.6\times(0.02101^{-0.25}-1)=2.0+3.6\times1.627=7.86\%\)；10 日 VaR \(=10^{0.25}\times3.71=6.60\%\)。
3. GPD 拟合：阈值 \(\eta=2\%\)，\(T=5000\)，超越 \(N_\eta=250\)，\(\hat\xi=0.2\)，\(\hat\psi=0.8\%\)。计算 99% 和 99.9% 的 VaR 与 ES。 提示：99%：\(\frac{T}{N}(1-q)=0.2\)，VaR \(=2+4\times(0.2^{-0.2}-1)=3.519\%\)，ES \(=3.519/0.8+(0.8-0.4)/0.8=4.899\%\)。99.9% 时 \(\frac{T}{N}(1-q)=0.02\)，VaR \(=2+4\times(0.02^{-0.2}-1)=6.75\%\)，ES \(=8.93\%\)。
4. 解释为什么 GPD 的平均超出函数是阈值的线性函数，并说明若经验平均超出图在高阈值处向下弯曲意味着什么。 提示：阈值稳定性；向下弯曲提示 \(\xi<0\) 或高阈值处样本太少导致噪声。
5. 某序列用块大小 10、阈值 99% 分位，得 200 次超越，分布在 140 个块中。估计极值指数和平均簇大小。 提示：\(\hat\theta^{(2)}=140/200=0.7\)，平均簇大小约 1.43。

进阶

6. 证明 GPD 的阈值稳定性：若 \(X-\eta_o\mid X>\eta_o\sim\) GPD\((\xi,\psi_o)\)，则 \(X-\eta\mid X>\eta\sim\) GPD\((\xi,\psi_o+\xi(\eta-\eta_o))\)。
7. 推导 (7.46)：把 \(\theta[1+\xi(x-\beta)/\alpha]^{-1/\xi}\) 写成 \([1+\xi(x-\beta_*)/\alpha_*]^{-1/\xi}\) 的形式，求 \(\alpha_*\)、\(\beta_*\)。
8. 用本章代码实现 McNeil–Frey 的 GARCH–EVT：先用 arch 拟合 GARCH，取标准化残差的负值拟合 GPD，得到条件 1% VaR，并用第 07a 章的 Kupiec 和 Christoffersen 检验回测，与 t-GARCH 比较。
9. 画出本章模拟数据的 Hill 图（\(q\) 从 50 到 2000），讨论为什么在 GARCH 数据上 Hill 估计随 \(q\) 增大而上偏。
10. （原书习题 7.5 改编）对一个模拟或真实收益序列：(a) 用 21 日子期拟合 GEV，做残差 QQ 图；(b) 计算 24 个 21 日子期的回报水平；(c) 画阈值为 2.5% 的指数 QQ 图和平均超出图；(d) 选阈值拟合 GPD，计算 \(q=0.99\)、0.999 的 VaR 与 ES。

原书推荐习题：7.5（或 7.7）：完整的 GEV + GPD 流程；7.2(e)–(g)、7.4(c)：齐次与非齐次二维泊松模型，体会条件尾部风险；7.3：Hill 估计；7.8：极值指数估计。

原书对照

（原书印刷页码约等于 PDF 页码减 20。）