第四节：极值理论（EVT）入门

各位同学，今天咱们聊聊极值理论。说实话，这玩意儿在风控圈里属于“压箱底”的功夫。平时你可能用不上，但一旦市场出现极端波动——比如2008年、2020年那种——你就知道它有多重要了。

我刚开始做风控那会儿，总觉得正态分布能解决一切问题。直到有一次，我负责的债券组合在一天之内跌了7个标准差……嗯，从那以后，我再也不敢小看“尾部”了。

4.1 为什么需要极值理论？

传统统计模型，比如正态分布，对中间数据拟合得很好。但尾部呢？说白了，它根本不管。你想想看，正态分布的尾部衰减是指数级的，而真实市场的尾部往往是幂律分布——厚尾、不对称、有聚集效应。

举个例子：你用正态分布去算VaR，99%置信度下可能给出2.3%的损失。但真实历史数据告诉你，同样置信度下实际损失可能是5.8%。这差距，足以让一家机构一夜破产。

4.2 两大主流方法：Block Maxima vs. POT

EVT里有两个经典流派。我个人习惯把它们比作两种捕鱼方式：

• Block Maxima（块极大值法）：把时间切成等长的块，每块只取最大值。比如每天取一个日收益率最大值，然后对这些“块最大值”建模。
• POT（峰值超过阈值法）：设定一个阈值，超过这个阈值的所有数据点都留下来。比如只关注收益率低于-3%的那些日子。

我在项目中遇到过一个问题：用Block Maxima时，块大小怎么选？选大了，样本太少；选小了，块内最大值可能不“极值”。后来我干脆两种方法都跑一遍，对比结果再决策。

4.3 Block Maxima方法详解

Block Maxima的理论基础是Fisher-Tippett定理。简单说：当块大小足够大时，块最大值的分布会收敛到三种极值分布之一——Gumbel、Fréchet、Weibull。实际中我们常用广义极值分布（GEV）来统一表示。

GEV的分布函数长这样：

G(z) = exp{ -[1 + ξ(z - μ)/σ]^(-1/ξ) }

其中μ是位置参数，σ是尺度参数，ξ是形状参数。ξ的正负决定了尾部厚度：ξ>0是厚尾（Fréchet型），ξ=0是指数尾（Gumbel型），ξ<0是有界尾（Weibull型）。

4.4 POT方法详解

POT方法更灵活，因为它不浪费数据。你设定一个阈值u，然后只关注超过u的那些“峰值”。根据Pickands-Balkema-de Haan定理，当u足够大时，超过阈值的部分近似服从广义帕累托分布（GPD）。

GPD的分布函数：

H(y) = 1 - (1 + ξy/σ)^(-1/ξ)

这里y = x - u，表示超过阈值的部分。σ是尺度参数，ξ还是形状参数——和GEV里的ξ是同一个东西。

阈值怎么选？嗯，这里要注意。阈值太低，GPD拟合不好；阈值太高，样本太少。我常用的方法是画“平均超出量函数图”（Mean Excess Plot），找曲线开始线性变化的那个点。

4.5 两种方法的对比

维度	Block Maxima	POT
数据利用率	低（只取块最大值）	高（所有超过阈值的数据）
参数估计	GEV（3个参数）	GPD（2个参数）
阈值选择	块大小（主观性较强）	阈值u（有统计方法辅助）
适用场景	有明确周期（如日、周、月）	连续数据，无固定周期
尾部推断	直接给出块最大值的分布	可推断任意分位数

我个人更偏爱POT方法，因为它对数据更“友好”。但Block Maxima在监管报告里更常见——比如巴塞尔协议里用的就是块最大值法。

4.6 代码实战：用Python拟合尾部

下面给一段我常用的代码。注意，这不是玩具代码，是我在实盘回测中反复用过的。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import genextreme as gev
from scipy.stats import genpareto as gpd

# 模拟厚尾数据（学生t分布，自由度3）
np.random.seed(42)
data = np.random.standard_t(df=3, size=10000)

# ---------- Block Maxima ----------
# 按100个数据点分块
block_size = 100
n_blocks = len(data) // block_size
block_max = [np.max(data[i*block_size:(i+1)*block_size]) 
             for i in range(n_blocks)]

# 拟合GEV
params_gev = gev.fit(block_max)
print(f"GEV参数: μ={params_gev[0]:.3f}, σ={params_gev[1]:.3f}, ξ={params_gev[2]:.3f}")

# ---------- POT ----------
# 设定阈值（95%分位数）
threshold = np.percentile(data, 95)
excesses = data[data > threshold] - threshold

# 拟合GPD
params_gpd = gpd.fit(excesses)
print(f"GPD参数: σ={params_gpd[0]:.3f}, ξ={params_gpd[1]:.3f}")

# 计算99.9%分位数（极端VaR）
p = 0.999
# 用POT反推
n_exceed = len(excesses)
n_total = len(data)
zeta = n_exceed / n_total  # 超过阈值的比例
var_pot = threshold + (params_gpd[0]/params_gpd[1]) * (( (1-p)/zeta )**(-params_gpd[1]) - 1)
print(f"POT估计的99.9% VaR: {var_pot:.3f}")

# 对比真实值
true_var = np.percentile(data, p*100)
print(f"历史模拟的99.9% VaR: {true_var:.3f}")

运行这段代码，你会发现POT估计的VaR和历史模拟值非常接近。而如果用正态分布去算，结果会小得多——这就是尾部风险被低估的典型例子。

4.7 核心知识体系

下面这张图是我自己画的，把EVT的核心逻辑串起来了。你仔细看一遍，应该能对本章内容有个整体把握。

你看，从EVT出发，两条路径最终都指向尾部风险量化。Block Maxima适合有固定周期的数据，POT更灵活。实际工作中，我建议你两种都试试，然后对比结果——如果差异很大，说明你的数据或阈值选择可能有问题。