Extreme Value Theory और Tail Index की व्याख्या

Central-limit reasoning normalized sums describe करती है, जबकि EVT maxima, minima या high threshold से ऊपर exceedances का अध्ययन करती है

Ordinary returns को अच्छी तरह fit करने वाला model भी crashes की probabilities बहुत गलत दे सकता है क्योंकि center में far tail की information कम होती है

EVT possible limiting tail forms को सीमित करती है, लेकिन finite sample को पर्याप्त extreme नहीं बनाती और market nonstationarity हटाती नहीं

Block maxima M_n के लिए classical domain-of-attraction conditions में कोई भी nondegenerate normalized limit generalized extreme value family में होगी

Distribution G(z)=exp{−[1+ξ(z−μ)/σ]^(−1/ξ)} लिखी जा सकती है जहाँ bracket positive है, और ξ=0 पर continuous Gumbel limit मिलता है

Location μ level set करती है, scale σ dispersion और shape ξ limiting tail class निर्धारित करती है

ξ>0 पर Fréchet class heavy power-law tail देती है; ξ=0 Gumbel class है; ξ<0 Weibull class में finite upper endpoint देती है

Heavy-tail notation में power exponent अक्सर α=1/ξ होता है, इसलिए “tail index” field के अनुसार ξ या α हो सकता है

Convention बताना जरूरी है क्योंकि बड़ा ξ heavier tail, जबकि बड़ा α lighter power-law tail का अर्थ देता है

Hill, Pickands, probability-weighted moments और likelihood estimators largest observations के अलग portions या summaries का उपयोग करते हैं

बहुत कम extremes high variance देते हैं; बहुत अधिक लेने पर central observations आकर tail approximation bias कर सकती हैं

Selected order statistics, threshold rule, uncertainty interval और stability path के बिना tail-index estimate incomplete है

Financial returns iid नहीं हैं: volatility regimes कई बड़े losses को पास-पास रख सकते हैं

Suitable stationary dependence में extremal index clustering summarize करती है; one से कम values fewer effectively independent extremes दिखाती हैं

Filtering volatility या declustering मदद कर सकती है, लेकिन दोनों assumptions जोड़ती हैं और mechanically लगाने पर genuine crisis persistence मिटा सकती हैं

Tail model और exceedance rate estimate होने पर high quantiles routine observed loss से आगे VaR extend कर सकते हैं

Expected Shortfall को finite tail mean चाहिए; generalized Pareto heavy tail में इसके लिए ξ<1 और higher moments के लिए stronger restrictions चाहिए

Threshold से दूरी बढ़ने पर extrapolation uncertainty तेजी से बढ़ती है, इसलिए अधिक decimal places report करने से अधिक information नहीं बनती

Plausible thresholds या block sizes पर mean-excess, parameter-stability, quantile, probability और return-level plots inspect करें

हर choice का audit trail रखते हुए windows, filters, declustering rules, estimators और crisis exclusions में estimates दोहराएं

EVT को scenario analysis और structural stress tests के साथ उपयोग करें, क्योंकि unprecedented mechanisms historical extremes के scaled version जैसे जरूरी नहीं