所有選擇權指南
決定哪些觀測屬於極端的兩種方法閱讀約15分鐘
Peaks Over Threshold與Block Maxima比較
比較GPD門檻超越與GEV區塊最大值，包括資料效率、偏差與變異選擇、相依性、重現水準及選擇EVT方法的診斷
由 Mark 撰寫 · 官方資料列於文末
直接解答
Block Maxima從每個固定期間保留一個極值並擬合GEV分布。Peaks Over Threshold保留所有超過足夠高門檻的觀測並擬合廣義Pareto尾部。POT通常更有效地利用尾部資料，但兩者都在近似偏差與估計變異之間取捨
兩種方法都從捨棄普通資料開始
EVT不擬合整個分布，而是劃定極端區域並建模其中的極限行為
Block Maxima用日曆或事件區塊定義該區域，POT則用數值門檻定義
兩種方法的抽樣問題相關但並不相同，不能把概似與觀測數當作來自相同行來比較
Block Maxima導向GEV分布
把資料分成月度或年度等不重疊區塊，取每個區塊的最大損失，再擬合廣義極值分布
區塊既要長到最大值近似合理，又要短到留下足夠的最大值供估計
它直接連接年度或月度最大值，讓重現水準直觀，卻會捨棄區塊內所有非最大極值
POT導向廣義Pareto尾部
選取高門檻u，並以廣義Pareto分布建模在X>u條件下的超額Y=X−u
Pickands–Balkema–de Haan結果說明，當門檻接近端點時，此近似對廣泛的吸引域成立
把超越頻率與超額嚴重度結合，可估計稀有分位數、重現期與尾部損失度量
POT通常提取更多尾部資訊
動盪區塊可能包含多次重要損失，POT可以保留它們，而Block Maxima只留下最大的一次
平靜區塊也必須貢獻一個最大值，即使它相對整個樣本並不極端
更高的資料效率不代表POT必然更好，因為相鄰超越可能相依，過低門檻也會引入模型偏差
門檻和區塊長度編碼偏差與變異
提高POT門檻會加強漸近依據，卻留下更少超越並擴大不確定性
延長區塊可能改善GEV近似，但最大值數量減少；縮短區塊則會讓普通觀測看似極端
應選擇穩定區間，而不是只選出最有利資本數字或最平滑圖表的單一設定
相依性會改變有效樣本量
波動率聚集可形成連續超越，違反POT中簡單的獨立Poisson到達模型
游程去聚集可保留每個聚集的峰值，點過程或相依極值模型則能保存更多時點資訊
Block Maxima透過壓縮減弱部分短期相依，卻不保證相鄰區塊最大值獨立
風險目標應決定比較方式
比較相關期限上的重現水準與尾部分位數，而不是只比較來自不同資料集的樣本內概似
對每種方法使用合適的參數穩定性、平均超越、機率、分位數、重現水準與殘差診斷
若結論隨合理門檻、區塊長度、季節或去聚集規則改變，應把這一範圍寫入風險報告
常見問題
什麼是Peaks Over Threshold？
POT建模超過高門檻的觀測大小與頻率，通常使用廣義Pareto分布
什麼是Block Maxima方法？
它從每個固定區塊提取一個最大值，再用廣義極值分布建模這些最大值
POT一定優於Block Maxima嗎？
不一定。它通常更有效利用資料，但門檻敏感性、聚集超越與模型誤設可能抵銷這一優勢
應如何選擇門檻或區塊長度？
應結合理論、決策期限、診斷、參數穩定性與敏感範圍，而不是最佳化一個有利估計
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