所有期權指南
從幾乎不會出現的觀測中學習閱讀約15分鐘
極值理論與Tail Index
理解極值極限定律、GEV尾部類型、Tail Index、門檻估計與聚集，並了解EVT如何把VaR和Expected Shortfall外推至已觀測損失之外
由 Mark 撰寫 · 官方資料列於文末
直接解答
極值理論不擬合分佈中心，而研究異常大值或小值的極限行為。Tail Index描述極端概率衰減的速度，但可靠應用仍需要足夠的尾部數據、穩定門檻、依賴處理、診斷與模型比較
極值需要自己的漸近理論
中央極限定理處理標準化的和，而EVT研究最大值、最小值或超過高門檻的觀測
即使模型很好地擬合普通回報，中心區域也很少包含遠尾資訊，因此仍可能嚴重誤判崩盤概率
EVT縮小可能的極限尾部形式，卻不會令有限樣本足夠極端，也不會消除市場的非平穩性
GEV統一最大值的極限分佈
在經典吸引域條件下，區塊最大值M_n的任何非退化標準化極限都屬於廣義極值分佈族
當括號為正時，可寫成G(z)=exp{−[1+ξ(z−μ)/σ]^(−1/ξ)}，ξ=0時取連續的Gumbel極限
位置μ決定水平，尺度σ決定離散程度，形狀ξ決定極限尾部類型
Tail Index決定外推強度
ξ>0是具有重冪尾的Fréchet型，ξ=0是Gumbel型，ξ<0是有有限上端點的Weibull型
重尾文獻也常把冪指數α=1/ξ稱為Tail Index，因此不同領域的Tail Index可能指ξ或α
ξ越大尾部越重，而α越大冪尾越輕，所以必須聲明採用哪一種約定
估計會消耗稀缺的尾部觀測
Hill、Pickands、概率加權矩和似然估計量使用最大觀測的不同部分或摘要
使用太少極值會產生高方差，使用太多則引入中心觀測並令尾部近似產生偏差
未說明所選順序統計量、門檻規則、不確定區間與穩定路徑的Tail Index估計並不完整
依賴性會令極端損失聚集
金融回報並非獨立同分佈，波幅狀態可能令數次巨大損失緊密相鄰
在適當的平穩依賴條件下，極值指數概括聚集程度，低於一代表有效獨立極值更少
過濾波幅或去聚集可能有幫助，但兩者都增加假設，機械應用還可能抹去真實的危機持續性
EVT把風險度量延伸到樣本之外
估計尾部模型與超越率後，可以把高分位VaR延伸至日常觀測到的最大損失之外
Expected Shortfall需要有限尾均值；對廣義Pareto重尾這要求ξ<1，更高階矩還需要更嚴格條件
離門檻越遠，外推不確定性增長越快，多報告幾位小數並不會創造更多資訊
診斷比單一擬合值更重要
在多個合理門檻或區塊長度上檢查平均超越、參數穩定性、分位數、概率與重現水平圖
改變窗口、過濾、去聚集規則、估計量與危機樣本後重新估計，並保留全部選擇的審計記錄
前所未見的機制未必只是歷史極值的放大版，因此應把EVT與情景分析和結構性壓力測試並用
常見問題
甚麼是極值理論？
它是研究樣本最大值、最小值和高門檻超越的漸近理論，用於建模稀有尾部結果
Tail Index衡量甚麼？
它描述尾部衰減與極端外推，必須確認資料使用的是ξ還是其倒數冪指數α
正的Tail Index代表風險更大嗎？
對EVT形狀ξ而言，正值表示無界重尾，數值越大衰減越慢，外推損失也越嚴重
EVT能預測下一次市場崩盤嗎？
不能。它在擬合狀態與假設下估計尾部概率，不能預測下一次崩盤的時點、原因或確切規模
資料來源與延伸閱讀
把這個概念應用到一份期權
選擇合約和目標，讓價格、時間與波幅假設在同一份分析中清晰呈現
分析我的期權