第 2 章/极值理论/2.3 超越阈值建模
课堂实验室
CHAPTER 02 / 2.3 超越阈值建模 / 2.3.1

广义帕累托分布(GPD)

阈值越高,超额损失越接近 GPD。

GPD(β=2, ξ=0.3)\mathrm{GPD}(\beta=2,\ \xi=0.3)

密度 f(y)f(y)
ξ=−0.5\xi=-0.5ξ=0\xi=0(指数)ξ=0.5\xi=0.5当前 ξ=0.3\xi=0.3
均值 E(Y)E(Y)2.857
方差 Var⁡(Y)\operatorname{Var}(Y)20.408
中位数1.541
99% 分位数19.874
上端点∞

ξ<12\xi<\frac12:均值与方差都存在。

平均超额函数是一条直线

E[Y−v∣Y>v]E[Y-v\mid Y>v]
e(v)=(β+ξv)/(1−ξ)e(v)=(\beta+\xi v)/(1-\xi)

斜率告诉我们 ξ\xi 的符号

0.429斜率 ξ/(1−ξ)\xi/(1-\xi)

向上倾斜:阈值越高,超过阈值后的平均超额越大——这是重尾的标志。

e(v)=E[Y−v∣Y>v]=β+ξv1−ξ,ξ<1e(v)=E[Y-v\mid Y>v]=\frac{\beta+\xi v}{1-\xi},\quad \xi<1

2.3.2 节会把同样的思路用在数据上:若经验平均超额图在某个阈值之后近似为直线,GPD 模型就是合理的。

Pickands–Balkema–de Haan 定理

阈值升高时,超额分布趋于 GPD

原始损失分布
0.50.999
阈值 uu3
超过 uu 的概率10%
GPD 尺度 βu\beta_u1.667
等效形状 ξu=β′(u)\xi_u=\beta'(u)0.444
与极限的差距 sup⁡∣Fu−H∣\sup|F_u-H|0.0067

超额的生存函数(按 βu\beta_u 标准化)

P(X−u>βuy∣X>u)P(X-u>\beta_u y\mid X>u)(对数刻度)
精确超额分布GPD 极限(ξ=0.5\xi=0.5)等效 GPD(ξu=0.444\xi_u=0.444)

近似误差随阈值升高而缩小

sup⁡y∣Fu(y)−H(y)∣\sup_y|F_u(y)-H(y)|
与极限 GPD 的距离与等效 GPD(ξu\xi_u)的距离
尾部指数 α=2\alpha=2,极限形状 ξ=1/2\xi=1/2。阈值不高时,超额分布与 GPD 仍有可见差距。
GPD 与 Pickands–Balkema–de Haan 定理展开阅读

设 XX 的分布函数为 FF,右端点 xF=sup⁡{x:F(x)<1}≤∞x_F=\sup\{x:F(x)<1\}\le\infty。阈值 u<xFu<x_F 上的超额分布为

Fu(y)=Pr⁡(X−u≤y∣X>u)=F(u+y)−F(u)1−F(u),0≤y<xF−uF_u(y)=\Pr(X-u\le y\mid X>u)=\frac{F(u+y)-F(u)}{1-F(u)},\qquad 0\le y<x_F-u

广义帕累托分布(GPD)的分布函数为

Gξ,β(y)={1−(1+ξ y/β)−1/ξ,ξ≠0,1−e−y/β,ξ=0,β>0G_{\xi,\beta}(y)=\begin{cases}1-\big(1+\xi\,y/\beta\big)^{-1/\xi}, & \xi\ne0,\\[2pt] 1-e^{-y/\beta}, & \xi=0,\end{cases}\qquad \beta>0

其中 ξ≥0\xi\ge0 时 y≥0y\ge0,ξ<0\xi<0 时 0≤y≤−β/ξ0\le y\le-\beta/\xi。

定理(Balkema 与 de Haan 1974;Pickands 1975)。FF 属于形状为 ξ\xi 的 GEV 的最大值吸引域(即适当标准化后的区块最大值收敛到 GEV(ξ)\mathrm{GEV}(\xi)),当且仅当存在正函数 β(u)\beta(u),使得

lim⁡u↑xF sup⁡0≤y<xF−u∣Fu(y)−Gξ,β(u)(y)∣=0\lim_{u\uparrow x_F}\ \sup_{0\le y<x_F-u}\big|F_u(y)-G_{\xi,\beta(u)}(y)\big|=0

要点有三:(1) 这是 u→xFu\to x_F 时的极限结论,任何有限阈值上都只是近似,定理本身不说明收敛有多快;(2) 尺度 β(u)\beta(u) 随阈值变化,形状 ξ\xi 不变,并且与区块最大值的 GEV 是同一个 ξ\xi;(3) “属于某个 GEV 的吸引域”对常见的连续损失分布都成立,但并非所有分布都满足(例如 Poisson、几何等离散分布)。课件中的写法 Pr⁡(X−u≤y∣X>u)≈H(y;βu,ξ)\Pr(X-u\le y\mid X>u)\approx H(y;\beta_u,\xi) 就是这个极限在高阈值下的使用方式。

f(y;β,ξ)=1β(1+ξyβ)−1/ξ−1,E(Y)=β1−ξ (ξ<1),Var⁡(Y)=β2(1−ξ)2(1−2ξ) (ξ<12)f(y;\beta,\xi)=\frac1\beta\Big(1+\xi\frac y\beta\Big)^{-1/\xi-1},\qquad E(Y)=\frac{\beta}{1-\xi}\ (\xi<1),\qquad \operatorname{Var}(Y)=\frac{\beta^2}{(1-\xi)^2(1-2\xi)}\ (\xi<\tfrac12)

三参数形式 G(x)=1−[1+ξx−μβ]−1/ξG(x)=1-\big[1+\xi\frac{x-\mu}{\beta}\big]^{-1/\xi} 只是把位置 μ\mu 设为阈值。

图中取 β(u)=S(u)/f(u)\beta(u)=S(u)/f(u)(风险率的倒数),这是定理中尺度函数的一种标准选择。对指数、Lomax 与均匀分布,它在任何阈值上都给出精确的 GPD;对 Burr 与对数正态,差距要到很高的阈值才会消失。β(u)\beta(u) 的斜率 ξu=β′(u)\xi_u=\beta'(u) 在 u→xFu\to x_F 时趋于 ξ\xi;以 ξu\xi_u 为形状的“等效 GPD”在有限阈值上近似得更好,这也解释了为什么用有限数据拟合出的 ξ^\hat\xi 可能偏离极限形状。