CHAPTER 02 / 2.3 超越阈值建模 / 2.3.2
阈值选择与参数估计
用平均超额图和参数稳定图选择阈值,再用极大似然把超额拟合为 GPD。
模拟数据来源
观测年数(每年 365 天)
0.80.995
01 / 选阈值
最近 3 年的日数据:56 天超过 u = 18.97
u = 1979.2
观测天数 7,300
超过阈值的天数 365
超越概率 0.05
样本最大值162.1
经验平均超额图
:超过 的观测的平均超额经验 拟合 GPD 的
参数稳定图:不同阈值下的
形状参数估计(极大似然)
选阈值的两个经验法则:平均超额图在 之后大致是一条直线;阈值继续升高时, 基本稳定。阈值太低会引入偏差,太高则超额样本太少、估计波动大。第三个工具是 Hill 图:在 2.3.4 中用 Hill 图检查这组数据 →
365 个超额 与拟合的 GPD
概率密度超额的直方图
Burr 型数据的超额只是渐近服从 GPD。阈值过低时 偏离 0.25;提高阈值能减少偏差,但超额样本变少。
超越阈值(POT)方法:选阈值与拟合展开阅读
1. 选阈值 (课件取日数据的 95% 分位数),得到 个超额 ,以及超越概率 。
2. 用极大似然把超额拟合为 ,对应课件中的 extRemes::fevd(type = "GP")。
若超额服从 ,则更高阈值 上的平均超额 是 的线性函数,斜率为 。这就是用经验平均超额图检查阈值的依据。
3. 用拟合的 GPD 外推尾部,得到 VaR、TVaR 与重现水平,见 2.3.3。