标签： #极值理论

VaR 和 ES 关心的是「一般的坏日子」，极值理论问的是另一个问题：最坏的那一天能有多坏？Fisher-Tippett-Gnedenko 定理是极值世界的中心极限定理——区组最大值的分布只可能收敛到 GEV 一族，形状参数 ξ 一个数定生死：ξ>0 是 Fréchet 肥尾域（t 分布 ξ=1/ν），ξ=0 是 Gumbel 薄尾域（正态）。GARCH-t(5) 模拟 40 年日损失、480 个月块实测：GEV 估出 ξ=0.24（理论 1/5=0.2），KS p=0.87；强行按 Gumbel 拟合 p=0.008 被拒，且 100 年一遇日损失只报 6.9%，GEV 报 14.0%（bootstrap 90% 区间 [10.6, 18.0]）——薄尾模型在深尾把风险砍半。附回报水平曲线、块长偏差-方差权衡实验（块从 5 天到 126 天 ξ 从 0.14 漂到 0.41）、与 POT/GPD 路线的取舍，以及 iid 假设被波动聚集破坏的诚实讨论（中阶）。

区组极大值法每个月块只留一个数，剩下 20 个观测全扔——POT（Peaks Over Threshold）是数据效率更高的另一条 EVT 路线：定一个高阈值，把所有超过它的观测都拿来建模。Pickands-Balkema-de Haan 定理保证：阈值足够高时，超额分布收敛到广义帕累托分布（GPD），形状参数 ξ 与 GEV 完全同一个。GARCH-t(5) 模拟 40 年日损失、95% 分位做阈值（504 个超额）实测：GPD 估出 ξ=0.14，KS p=0.93；同样数据 GEV 区组法只有 480 个块。外推对比：99.9% VaR 正态公式报 2.89%、POT 报 4.54%（经验值 4.58%），99.99% 层级正态 3.48% vs POT 7.36%——差一倍以上。附平均超额图选阈值、阈值敏感性走廊（ξ 从 0.09 漂到 0.18 但 VaR 外推稳定在 4.4-4.6%）、ES 闭式解、以及波动聚集破坏 iid 时超额扎堆的 declustering 讨论（中阶）。

正态分布对极端事件的低估不是误差，是数量级灾难：在 5000 天合成收益（GARCH 波动聚集 + t(4) 肥尾）上实测，4σ 事件正态预期 0.32 次、实际发生 37 次（低估 117 倍），6σ 事件低估超过 100 万倍。极值理论 EVT 不试图拟合整个分布，只对尾部『超越阈值的部分』下手：Pickands-Balkema-de Haan 定理保证超越损失渐近收敛于广义帕累托分布 GPD。本文用 scipy 完整走一遍 POT 流程：取 95% 分位为阈值得 250 个超越样本、MLE 拟合出形状参数 ξ=0.216（隐含尾部指数 α≈4.6，与生成过程一致）、QQ 图验证拟合质量。VaR 对决见真章：99.9% VaR 正态给 2.49%、EVT 给 4.68%、经验分位 4.69%——EVT 几乎精确命中，正态差了近一倍；99% VaR 违反回测中正态违反 87 次（预期 50 次）、EVT 违反 49 次。ES 差距更狠：99.9% ES 正态 2.71% vs EVT 6.37%。诚实拆穿阈值选择的偏差-方差两难（阈值敏感性扫描图）、iid 假设被波动聚集破坏、ξ 的置信区间宽到离谱三类陷阱（中高阶）。

相关性在平静时很好用,一到大跌它就骗你:2008 年雷曼倒下那周,所有资产相关性都飙到 1,分散化保护瞬间蒸发。根因是普通相关系数只测「平均联动」,而危机是尾部事件。极值理论(EVT)用阈值超限 + 广义帕累托分布(GPD)专门建模「极端值」,再用尾部依赖系数 λ 量化「一个资产暴涨/暴跌时,另一个也极端的概率」。本文用 4 万次蒙特卡洛证明:同相关系数 ρ=0.6 下,高斯尾部依赖 λ→0(极端不联动、分散化有效),而 t(ν=4) 尾部依赖 λ≈0.31(极端高度联动、分散化崩溃)——这正是一危机就「什么都一起跌」的数学真相(高阶)。