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 / 2.3.3

尾部风险与重现期

用拟合的 GPD 外推 VaR、TVaR 与重现水平,并与区块最大值法比较。

模拟数据来源
观测年数(每年 365 天)
0.80.995
01 / 拟合结果

阈值 u=18.97u=18.97 以上的 365 个超额拟合为 GPD(β^,ξ^)\mathrm{GPD}(\hat\beta,\hat\xi)

在 2.3.2 中查看阈值选择与拟合 →
阈值 uu18.97
超越概率 λu=k/n\lambda_u=k/n0.05
形状 ξ^\hat\xi0.3045
尺度 β^\hat\beta5.3531
02 / 尾部风险

用 GPD 外推:VaR、TVaR 与日数据的重现水平

置信水平 p
风险度量GPD 估计样本经验值真实值
VaR0.999\mathrm{VaR}_{0.999}59.2559.4755.34
TVaR0.999\mathrm{TVaR}_{0.999}84.5785.8274.26
10 年一遇的日损失87.279.1677.08
50 年一遇的日损失141.47数据不足115.8
100 年一遇的日损失174.38数据不足137.86

pp 高于阈值分位数 0.95,可以用尾部公式外推。真实值由生成数据的分布直接计算;“数据不足”表示观测年数少于重现期,经验分位数无法外推。

VaRp=u+β^ξ^[(1−pu1−p)ξ^−1],TVaRp=VaRp1−ξ^+β^−ξ^u1−ξ^,xT=u+β^ξ^[(365Tλu)ξ^−1]\mathrm{VaR}_p=u+\frac{\hat\beta}{\hat\xi}\Big[\Big(\frac{1-p_u}{1-p}\Big)^{\hat\xi}-1\Big],\quad\mathrm{TVaR}_p=\frac{\mathrm{VaR}_p}{1-\hat\xi}+\frac{\hat\beta-\hat\xi u}{1-\hat\xi},\quad x_T=u+\frac{\hat\beta}{\hat\xi}\Big[(365T\lambda_u)^{\hat\xi}-1\Big]
03 / 与区块最大值比较

同一份日数据:20 个年最大值拟合 GEV,365 个超额拟合 GPD

方法使用的数据形状 ξ\xi50 年一遇100 年一遇
GEV(区块最大值)20 个年最大值0.281128.79156.24
GPD(超越阈值)365 个超额0.304141.47174.38
真实值:年最大值P(M>zT)=1/TP(M>z_T)=1/T0.25(极限)115.51137.69
真实值:日数据P(X>xT)=1/(365T)P(X>x_T)=1/(365T)0.25(极限)115.8137.86

两种“TT 年一遇”的含义不同:GEV 是年最大值 MM 超过 zTz_T 的概率为 1/T1/T;GPD 是任意一天超过 xTx_T 的概率为 1/(365T)1/(365T)。TT 较大时两者几乎相等(极限等价);只有 TT 接近 1 年时才有明显差别,例如 T=1.5T=1.5 时分别为 41.5241.52 与 47.3347.33。

重现水平图:两种方法与两种“T 年一遇”

重现水平
真实:年最大值的 T 年一遇真实:日数据的 T 年一遇GEV 拟合(20 个年最大值)GPD 拟合(365 个超额)年最大值(经验重现期)
04 / 重复抽样

重新生成 20 年日数据并重复两种拟合:100100 年一遇的估计有多稳定?

100100 年一遇:z^100\hat z_{100}(GEV)与 x^100\hat x_{100}(GPD)的分布

概率密度
GEV:20 个年最大值GPD:超过阈值的日数据
0 次重复

估计落在真实值 ±10% 以内的比例

GEV(年最大值)—
GPD(超额)—

点击“重复 200 次”:每次重新生成 20 年日数据,同时做两种拟合。

GEV 每年只用 1 个观测(共 20 个),GPD 用到所有超过阈值的日子(约 365 个)。在同样的观测年数下,超越阈值法的估计通常波动更小。

估计量真实值0 次重复:5% 分位中位数95% 分位
GEV 形状 ξ^\hat\xi(年最大值)0.25(极限)———
GPD 形状 ξ^\hat\xi(超额)0.25(极限)———
GEV:z^100\hat z_{100}(年最大值)137.69———
GPD:x^100\hat x_{100}(日数据)137.86———
同样 20 年的日数据,区块最大值法只保留每年的最大值,超越阈值法保留所有超过 uu 的日子,所以 GPD 的重现水平估计通常更稳定。代价是要选阈值,并假设超过阈值的日子之间近似独立(真实降雨或损失常常成串出现)。
尾部外推与两种“T 年一遇”展开阅读

由 P(X>x)=λu P(X−u>x−u∣X>u)P(X>x)=\lambda_u\,P(X-u>x-u\mid X>u) 与超额的 GPD 模型,得到阈值以上的尾部近似 P(X>x)≈λu[1+ξx−uβ]−1/ξP(X>x)\approx\lambda_u\big[1+\xi\frac{x-u}{\beta}\big]^{-1/\xi},从而得到 VaR、TVaR 与重现水平。日数据中,“TT 年一遇”对应任意一天超过的概率 1/(365T)1/(365T);而 GEV 的“TT 年一遇”是年度最大值超过的概率 1/T1/T。

两种定义的关系:365 天独立时 P(M≤z)=F(z)365P(M\le z)=F(z)^{365},所以年最大值的 TT 年一遇水平满足

P(M>zT)=1T  ⟺  P(X>zT)=1−(1−1T)1/365=1365T(1+O(1T))P(M>z_T)=\frac1T\iff P(X>z_T)=1-\Big(1-\frac1T\Big)^{1/365}=\frac{1}{365T}\Big(1+O\big(\tfrac1T\big)\Big)

TT 越大,zTz_T 与 xTx_T 越接近,这就是课件所说的“极限等价”。两种方法的差别主要在用到的数据量:区块最大值法每年只保留一个观测,超越阈值法保留所有超过 uu 的观测。