概率基础回顾：分布函数、分位数、矩、厚尾分布与正态分布的差异
极值理论的核心任务，是回答“极端事件到底有多极端”以及“极端事件的概率如何度量”这两个问题。在进入极值分布族（GEV、GPD）之前，我们必须先夯实概率论的地基。本章不是简单罗列公式，而是从分布函数、分位数、矩三个基本工具出发，重点剖析厚尾分布与正态分布的本质差异——因为极值理论之所以存在，正是因为现实世界的尾部行为常常偏离正态假设，且这种偏离会彻底改变风险度量结果。
2.1 分布函数与分位数：风险度量的基石
分布函数（Cumulative Distribution Function, CDF）定义为 \(F(x) = P(X \le x)\)，它完整刻画了随机变量的概率行为。在风险管理中，我们更关心的是分布的尾部——即 \(F(x)\) 在 \(x \to \infty\) 时的行为。分位数函数 \(Q(p) = F^{-1}(p)\) 给出了累积概率 \(p\) 对应的阈值，这正是 VaR（Value at Risk）的数学定义：\(VaR_\alpha = Q(1-\alpha)\)，其中 \(\alpha\) 为显著性水平（如 1% 或 5%）。
2.2 矩：均值、方差、偏度与峰度的信息含量
矩是分布形状的数字化描述。一阶原点矩是均值 \(\mu = E[X]\)，二阶中心矩是方差 \(\sigma^2 = E[(X-\mu)^2]\)，三阶标准化矩是偏度 \(Skew = E[(X-\mu)^3]/\sigma^3\)，四阶标准化矩是峰度 \(Kurt = E[(X-\mu)^4]/\sigma^4\)。偏度衡量分布的不对称性，峰度衡量尾部的厚度和尖峰程度。正态分布的偏度为 0，峰度为 3（常以超额峰度 \(Kurt-3\) 表示，正态为 0）。
| 矩类型 | 定义 | 正态分布值 | 厚尾分布特征 | 对极值建模的意义 |
|---|---|---|---|---|
| 均值 μ | E[X] | 任意有限值 | 可能不存在（如柯西分布） | 若均值不存在，传统统计推断失效 |
| 方差 σ² | E[(X-μ)²] | 有限 | 可能无限（如 α≤2 的帕累托） | 方差无限时，CLT 不适用 |
| 偏度 | E[(X-μ)³]/σ³ | 0 | 通常为正（右偏） | 正偏度意味着右尾更长 |
| 峰度 | E[(X-μ)⁴]/σ⁴ | 3 | >3（尖峰厚尾） | 峰度越高，极端值出现概率越大 |
2.3 厚尾分布的本质：尾部指数与矩的存在性
厚尾分布（Heavy-tailed Distribution）的严格定义是：其尾部概率 \(P(X > x)\) 以幂律形式衰减，即 \(P(X > x) \sim L(x) \cdot x^{-\alpha}\)，其中 \(\alpha > 0\) 称为尾部指数（Tail Index），\(L(x)\) 为慢变函数。尾部指数 \(\alpha\) 直接决定了矩的存在性：当且仅当 \(k < \alpha\) 时，\(k\) 阶矩 \(E[|X|^k]\) 才存在。例如，自由度为 \(\nu\) 的 t 分布尾部指数 \(\alpha = \nu\)，因此当 \(\nu \le 2\) 时方差不存在，当 \(\nu \le 1\) 时均值不存在。
① 计算样本超额峰度：若显著大于 0，提示厚尾可能；
② 绘制对数-对数图（log-log plot）：若尾部近似直线且斜率为 \(-\alpha\)，则支持幂律衰减；
③ 使用 Hill 估计量：\(\hat{\alpha} = \left( \frac{1}{k} \sum_{i=1}^{k} \ln(X_{(i)}/X_{(k+1)}) \right)^{-1}\)，其中 \(X_{(i)}\) 为降序统计量；
④ 若 \(\hat{\alpha} < 2\)，方差不存在，传统风险度量（如标准差）完全失效。
2.4 正态分布 vs 厚尾分布：一个案例拆解
考虑一个金融资产日收益率序列，样本量 1000 天。假设真实分布为自由度为 3 的 t 分布（尾部指数 α=3），但我们错误地用正态分布拟合。
背景：某对冲基金持有股票组合，日收益率标准差 σ=1.5%。
初始现象：历史模拟法计算的 99% VaR 为 -3.8%，而参数法（假设正态）计算的 VaR 为 -3.49%。
分析过程：检查收益率 QQ 图，发现两端明显偏离直线；计算超额峰度为 6.2（正态为 0）；Hill 估计 \(\hat{\alpha}=3.1\)。
操作步骤：改用 t 分布拟合（ν=3），重新计算 99% VaR = -4.54%，99.5% VaR = -6.12%。
结果对比：正态假设下 99.5% VaR 为 -3.87%，低估幅度达 58%。
风险与代价：若按正态 VaR 设定风险限额，实际风险敞口远超限额，可能导致爆仓。
复盘经验：尾部指数 α 是风险管理的“第一性参数”，必须优先估计。
2.5 常见误区与总结
- 误区一：认为样本量大就能“自动”得到正态性。实际上，厚尾分布的大样本均值收敛速度远慢于正态，且方差可能不存在。
- 误区二：混淆“厚尾”与“尖峰”。尖峰（高峰度）是厚尾的必要非充分条件——有些分布峰度高但尾部并非幂律衰减。
- 误区三：忽视矩的存在性。当尾部指数 α≤2 时，方差不存在，此时基于方差的风险度量（如夏普比率）无意义。
- 误区四：直接用正态分布拟合极端分位数。正态分布的 99.97% 分位数是 3.5σ，但厚尾分布下 3.5σ 事件可能每 100 天就发生一次。