3. 极值理论基础
在尾部风险建模中，我们真正关心的不是“平均会亏多少”，而是“最坏能坏到什么程度”。中心极限定理告诉我们均值的渐近分布，但它对极端尾部几乎无能为力。极值理论（EVT）提供了另一套渐近理论：当样本量足够大时，样本最大值的分布会收敛到三种极值分布之一。这就是极值类型定理，也是整个 EVT 建模的基石。
一、核心原理：极值类型定理与 Fisher-Tippett-Gnedenko 定理
设 X₁, X₂, …, Xₙ 为独立同分布随机变量，记 Mₙ = max(X₁, …, Xₙ)。我们希望找到常数序列 aₙ > 0 和 bₙ，使得归一化最大值 (Mₙ − bₙ)/aₙ 依分布收敛到一个非退化分布 H。Fisher-Tippett-Gnedenko 定理指出：若该极限分布存在，则 H 必然属于以下三种类型之一——Gumbel、Fréchet 或 Weibull。它们统称为极值分布族（GEV），可用统一形式表达：
H(x; μ, σ, ξ) = exp{ −[1 + ξ(x − μ)/σ]^(−1/ξ) }, 1 + ξ(x − μ)/σ > 0
其中：
μ：位置参数（location）
σ > 0：尺度参数（scale）
ξ：形状参数（shape），决定尾部厚度与吸引域
形状参数 ξ 是理解三大分布的关键：ξ = 0 对应 Gumbel，ξ > 0 对应 Fréchet，ξ < 0 对应 Weibull。也就是说，三大分布并非彼此孤立，而是同一参数族在不同 ξ 取值下的表现。
二、三大分布的吸引域与直观解释
“吸引域”回答的是：什么样的原始分布，其样本最大值会收敛到某一种极值分布。理解吸引域，比死记公式更重要。
- Gumbel 吸引域（ξ = 0）：原始分布的尾部以指数速度衰减，如正态分布、指数分布、Gamma 分布。极端值虽然罕见，但超出一定阈值后概率下降极快，尾部“不算厚”。
- Fréchet 吸引域（ξ > 0）：原始分布为重尾或幂律尾，如 Pareto、Student-t、稳定分布。尾部概率按幂函数衰减，极端值可能远超历史最大值，是金融与保险尾部建模的主战场。
- Weibull 吸引域（ξ < 0）：原始分布存在有限上界，如均匀分布、Beta 分布（有界版本）。最大值不会无限增大，而是逼近某个上端点。
记忆口诀：“正态指数看 Gumbel，幂律重尾看 Fréchet，有界截断看 Weibull。” 判断数据属于哪个吸引域，先看尾部衰减速度，再看是否存在有限上界。
三、方法流程：从数据到极值分布选择
在实际建模中，我们通常按以下流程判断应使用哪类极值分布：
- 提取极值样本：采用块最大值法（Block Maxima）或超阈值法（POT）。
- 绘制经验尾部：用对数坐标观察尾部是否呈直线（幂律）或向下弯曲（指数型）。
- 估计形状参数 ξ：通过极大似然、概率加权矩或 Hill 估计量。
- 根据 ξ 的符号与置信区间，判断吸引域并选择 Gumbel、Fréchet 或 Weibull。
- 进行拟合优度检验：QQ 图、PP 图、Anderson-Darling 检验。
| 分布类型 | 形状参数 ξ | 尾部特征 | 典型原始分布 | 风险建模含义 |
|---|---|---|---|---|
| Gumbel | ξ = 0 | 指数型衰减 | 正态、指数、Gamma | 极端值有限，外推相对温和 |
| Fréchet | ξ > 0 | 幂律衰减 | Pareto、t、稳定分布 | 极端损失可能远超历史，需厚尾资本 |
| Weibull | ξ < 0 | 有上界 | 均匀、有界 Beta | 损失存在上限，风险有界 |
四、案例与场景：金融收益率尾部属于哪一类？
以某股票日对数收益率为例，取 2000 个交易日数据，采用块最大值法（每 20 天一个块，共 100 个块最大值）。用 GEV 拟合后得到形状参数估计值 ξ̂ ≈ 0.28，95% 置信区间为 [0.11, 0.45]，显著大于 0。这说明收益率尾部更接近 Fréchet 吸引域，即重尾特征明显。若误用 Gumbel 建模，会系统性低估极端损失概率，导致 VaR 与 ES 偏低。
# 伪代码：GEV 拟合与吸引域判断
from scipy.stats import genextreme
xi, mu, sigma = genextreme.fit(block_maxima)
print("xi =", xi)
if xi > 0.05:
print("Fréchet 域：重尾，需谨慎外推")
elif xi < -0.05:
print("Weibull 域：有上界")
else:
print("Gumbel 域：指数型尾部")
常见误区：把“样本最大值很大”直接等同于“Fréchet 域”。吸引域取决于尾部衰减速度，而不是单次观测的大小。另一个误区是忽略 ξ 的估计不确定性——ξ 的置信区间跨越 0 时，不应武断选择 Fréchet 或 Gumbel，而应做敏感性分析。