Extreme Value Theory และ tail index

การให้เหตุผลแบบ central limit อธิบายผลรวมที่ทำให้เป็นมาตรฐาน ขณะที่ EVT ศึกษา maxima, minima หรือ exceedance เหนือ threshold สูง

โมเดลที่ fit ผลตอบแทนทั่วไปได้ดีอาจกำหนดความน่าจะเป็นของ crash ผิดอย่างมาก เพราะบริเวณกลางมีข้อมูลน้อยมากเกี่ยวกับหางไกล

EVT จำกัดรูปแบบหางที่เป็นขีดจำกัดที่เป็นไปได้ให้แคบลง แต่ไม่ได้ทำให้ sample จำกัดมี extreme เพียงพอ หรือกำจัด nonstationarity ของตลาด

สำหรับ block maxima M_n ขีดจำกัดที่ทำให้เป็นมาตรฐานและไม่เสื่อมสลายใด ๆ ต้องอยู่ในตระกูล generalized extreme value ภายใต้เงื่อนไข domain-of-attraction แบบคลาสสิก

distribution ของมันเขียนได้เป็น G(z)=exp{−[1+ξ(z−μ)/σ]^(−1/ξ)} โดยวงเล็บต้องเป็นบวก และมีขีดจำกัดแบบ Gumbel ที่ต่อเนื่องเมื่อ ξ=0

Location μ กำหนดระดับ scale σ กำหนดการกระจาย และ shape ξ กำหนดกลุ่มหางที่เป็นขีดจำกัด

เมื่อ ξ>0 กลุ่ม Fréchet มีหางแบบ power law หนัก ξ=0 ให้กลุ่ม Gumbel ส่วน ξ<0 ให้ upper endpoint ที่จำกัดในกลุ่ม Weibull

ในสัญกรณ์ heavy-tail เลขชี้กำลังของ power มักเป็น α=1/ξ ดังนั้นคำว่า “tail index” อาจหมายถึง ξ หรือ α ขึ้นอยู่กับสาขา

ต้องระบุ convention นี้ เพราะ ξ ที่ใหญ่ขึ้นหมายถึงหางหนักขึ้น ขณะที่ α ที่ใหญ่ขึ้นหมายถึงหาง power law ที่เบาลง

ตัวประมาณ Hill, Pickands, probability-weighted moments และ likelihood ใช้ส่วนต่าง ๆ หรือสรุปคนละแบบของข้อสังเกตที่มีค่าสูงสุด

การใช้ extreme น้อยเกินไปทำให้ variance สูง การใช้มากเกินไปนำข้อสังเกตส่วนกลางเข้ามาและอาจทำให้การประมาณหางมี bias

การประมาณ tail index ที่ไม่มี order statistics ที่เลือก กฎ threshold ช่วง uncertainty และเส้นทาง stability ถือว่ายังไม่สมบูรณ์

ผลตอบแทนทางการเงินไม่ได้เป็น independent and identically distributed: regime ของ volatility อาจทำให้ขาดทุนขนาดใหญ่หลายครั้งเกิดติดกัน

extremal index สรุปการกระจุกตัวภายใต้ dependence ที่ stationary เหมาะสม โดยค่าต่ำกว่าหนึ่งบ่งชี้ว่าจำนวน extreme ที่เป็นอิสระอย่างมีประสิทธิผลน้อยลง

การกรอง volatility หรือ decluster อาจช่วยได้ แต่ทั้งสองวิธีเพิ่มสมมติฐานและอาจลบ persistence ของวิกฤตที่มีอยู่จริงหากใช้แบบกลไก

เมื่อประมาณโมเดลหางและอัตรา exceedance แล้ว quantile สูงสามารถขยาย VaR ให้ไกลกว่าขาดทุนที่สังเกตเป็นประจำมากที่สุด

Expected Shortfall ต้องมีค่าเฉลี่ยของหางที่ finite สำหรับ generalized Pareto heavy tail ต้องมี ξ<1 และ moment ที่สูงกว่านั้นต้องมีข้อจำกัดที่เข้มงวดยิ่งขึ้น

ความไม่แน่นอนจากการ extrapolate เพิ่มขึ้นอย่างรวดเร็วเมื่อห่างจาก threshold ดังนั้นการรายงานทศนิยมมากขึ้นไม่ได้สร้างข้อมูลเพิ่ม

ตรวจสอบกราฟ mean-excess, parameter-stability, quantile, probability และ return-level ผ่าน threshold หรือ block size ที่เป็นไปได้

ทำประมาณการซ้ำใน windows, filters, กฎ declustering, estimators และการตัดช่วงวิกฤตหลายแบบ พร้อมเก็บ audit trail ของทุกการเลือกไว้

ใช้ EVT ควบคู่กับ scenario analysis และ structural stress tests เพราะกลไกที่ไม่เคยเกิดขึ้นอาจไม่เหมือน extreme ในอดีตที่ถูกขยายขนาด