2. 概率统计基础回顾
在进入极值理论（EVT）之前，我们需要把概率统计的“地基”重新夯实一遍。EVT 并不是一套孤立的方法，它建立在随机变量、分布函数、分位数、条件概率与贝叶斯思想之上，并最终服务于 VaR、ES、CVaR 这类尾部风险指标。本节的目标不是重新讲授一遍概率论，而是把与尾部建模最相关的概念串成一条清晰的逻辑链：随机变量刻画不确定性 → 分布函数描述整体规律 → 分位数定位尾部位置 → 条件概率与贝叶斯更新尾部认知 → VaR/ES/CVaR 给出风险数字。
一、核心原理：四个概念如何支撑尾部风险
随机变量是把随机试验结果映射为数值的函数。在金融风控中，我们最关心的是损失随机变量，通常记为 L，收益则记为 R = −L。连续型随机变量由概率密度函数 f(x) 描述局部密度，由累积分布函数 F(x) = P(X ≤ x) 描述整体概率。对尾部风险而言，真正关键的是右尾：F(x) 越接近 1，x 越处于极端区域。
分位数是连接分布与风险指标的桥梁。给定置信水平 α（如 0.95、0.99），α 分位数 qα 满足 P(X ≤ qα) = α。在损失分布中，qα 就是“有 α 的概率损失不超过该值”，因此它天然对应 VaR。条件概率则回答“已经进入尾部之后会怎样”：P(X > x + u | X > u) 描述超出量分布，这正是 POT 极值模型的理论起点。贝叶斯思想进一步允许我们把先验经验与样本证据结合，在数据稀缺的极端区域进行参数更新与不确定性量化。
二、方法流程：从分布到风险指标的推导步骤
把上述概念落地为可执行流程，通常遵循以下步骤：
- 定义损失变量：明确 L 的正负方向，避免 VaR 符号混乱。
- 估计分布：用历史模拟、参数法或极值法得到 F(x) 的估计。
- 求分位数：在置信水平 α 下计算 qα，即 VaRα。
- 计算尾部均值：在 X > VaRα 条件下求期望，得到 ES。
- 引入条件与贝叶斯更新：对超出量建模，或用后验分布修正参数。
- 回测与复盘：检验突破次数、独立性、尾部拟合优度。
下面用一段 Python 代码演示历史模拟法下 VaR 与 ES 的计算逻辑，便于把公式与工程实现对应起来：
import numpy as np
# 假设 losses 为历史损失序列（正数表示损失）
losses = np.array([...])
alpha = 0.99
# 历史模拟 VaR：损失分布的 alpha 分位数
var_alpha = np.quantile(losses, alpha)
# ES：超过 VaR 的损失条件均值
tail_losses = losses[losses > var_alpha]
es_alpha = tail_losses.mean()
print(f"VaR_{alpha:.2f} = {var_alpha:.4f}")
print(f"ES_{alpha:.2f} = {es_alpha:.4f}")
三、案例/场景：三个指标在同一组数据上的差异
假设某组合日损失样本的 95% 分位数为 2.1 万元，99% 分位数为 4.8 万元，而超过 4.8 万元部分的均值为 7.6 万元。此时：VaR95% = 2.1 万，VaR99% = 4.8 万，ES99% = 7.6 万。可以看到，ES 明显大于 VaR，因为它刻画的是“突破之后平均会亏多少”，对尾部形状更敏感。若分布是厚尾的，ES 与 VaR 的差距会进一步拉大，这正是 EVT 要重点建模的区域。
| 指标 | 定义 | 关注点 | 对厚尾的敏感度 |
|---|---|---|---|
| VaR | P(L ≤ VaR) = α | 分位点位置 | 中等，可能低估极端损失 |
| ES | E[L | L > VaR] | 尾部条件均值 | 高，能反映尾部厚度 |
| CVaR | 通常与 ES 等价（连续分布下） | 一致性风险度量 | 高，满足次可加性 |
四、误区与复盘：尾部建模中最容易踩的坑
- 误区一：用正态分布估计 99% 以上分位数。 金融损失普遍厚尾，正态假设会系统性低估 VaR 与 ES。
- 误区二：把 VaR 当作最大损失。 VaR 只是分位点，突破它之后损失可能远超预期，必须配合 ES 使用。
- 误区三：忽略条件概率。 不区分“整体分布”与“尾部超出量分布”，会导致对极端区域的拟合严重偏差。
- 误区四：贝叶斯先验随意设定。 先验过强会压制极端样本信息，先验过弱则退化为频率方法，需做敏感性分析。
- 误区五：不做回测。 没有 Kupiec、Christoffersen 等检验，无法判断模型是否真正适配尾部。