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。
密度
(指数)当前
均值 2.857
方差 20.408
中位数1.541
99% 分位数19.874
上端点∞
:均值与方差都存在。
平均超额函数是一条直线
斜率告诉我们 的符号
0.429斜率
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。
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 3
超过 的概率10%
GPD 尺度 1.667
等效形状 0.444
与极限的差距 0.0067
超额的生存函数(按 标准化)
(对数刻度)精确超额分布GPD 极限()等效 GPD()
近似误差随阈值升高而缩小
与极限 GPD 的距离与等效 GPD()的距离
尾部指数 ,极限形状 。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 的分布函数为 ,右端点 。阈值 上的超额分布为
广义帕累托分布(GPD)的分布函数为
其中 时 , 时 。
定理(Balkema 与 de Haan 1974;Pickands 1975)。 属于形状为 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 ),当且仅当存在正函数 ,使得
要点有三:(1) 这是 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 随阈值变化,形状 不变,并且与区块最大值的 GEV 是同一个 ;(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 就是这个极限在高阈值下的使用方式。
三参数形式 只是把位置 设为阈值。
图中取 (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。 的斜率 在 时趋于 ;以 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 可能偏离极限形状。