全部期权指南
从几乎不会出现的观测中学习阅读约15分钟
极值理论与Tail Index
理解极值极限定律、GEV尾部类型、Tail Index、阈值估计与聚集，并了解EVT如何把VaR和Expected Shortfall外推至已观测损失之外
由 Mark 编写 · 官方资料列于文末
直接答案
极值理论不拟合分布中心，而研究异常大值或小值的极限行为。Tail Index描述极端概率衰减的速度，但可靠应用仍需要足够的尾部数据、稳定阈值、依赖处理、诊断与模型比较
极值需要自己的渐近理论
中心极限定理处理标准化的和，而EVT研究最大值、最小值或超过高阈值的观测
即使模型很好地拟合普通收益，中心区域也很少包含远尾信息，因此仍可能严重误判崩盘概率
EVT缩小可能的极限尾部形式，却不会使有限样本足够极端，也不会消除市场的非平稳性
GEV统一最大值的极限分布
在经典吸引域条件下，区块最大值M_n的任何非退化标准化极限都属于广义极值分布族
当括号为正时，可写成G(z)=exp{−[1+ξ(z−μ)/σ]^(−1/ξ)}，ξ=0时取连续的Gumbel极限
位置μ决定水平，尺度σ决定离散程度，形状ξ决定极限尾部类型
Tail Index决定外推强度
ξ>0是具有重幂尾的Fréchet型，ξ=0是Gumbel型，ξ<0是有有限上端点的Weibull型
重尾文献也常把幂指数α=1/ξ称为Tail Index，因此不同领域的Tail Index可能指ξ或α
ξ越大尾部越重，而α越大幂尾越轻，所以必须声明采用哪一种约定
估计会消耗稀缺的尾部观测
Hill、Pickands、概率加权矩和似然估计量使用最大观测的不同部分或摘要
使用太少极值会产生高方差，使用太多则引入中心观测并使尾部近似产生偏差
未说明所选顺序统计量、阈值规则、不确定区间与稳定路径的Tail Index估计并不完整
依赖性会使极端损失聚集
金融收益并非独立同分布，波动率状态可能让数次巨大损失紧密相邻
在适当的平稳依赖条件下，极值指数概括聚集程度，低于一意味着有效独立极值更少
过滤波动率或去聚集可能有帮助，但两者都增加假设，机械应用还可能抹去真实的危机持续性
EVT把风险度量延伸到样本之外
估计尾部模型与超越率后，可以把高分位VaR延伸至日常观测到的最大损失之外
Expected Shortfall需要有限尾均值；对广义Pareto重尾这要求ξ<1，更高阶矩还需要更严格条件
离阈值越远，外推不确定性增长越快，多报告几位小数并不会创造更多信息
诊断比单一拟合值更重要
在多个合理阈值或区块长度上检查平均超越、参数稳定性、分位数、概率与重现水平图
改变窗口、过滤、去聚集规则、估计量与危机样本后重新估计，并保留全部选择的审计记录
前所未见的机制未必只是历史极值的放大版，因此应把EVT与情景分析和结构性压力测试并用
常见问题
什么是极值理论？
它是研究样本最大值、最小值和高阈值超越的渐近理论，用于建模稀有尾部结果
Tail Index衡量什么？
它描述尾部衰减与极端外推，必须确认资料使用的是ξ还是其倒数幂指数α
正的Tail Index意味着风险更大吗？
对EVT形状ξ而言，正值表示无界重尾，数值越大衰减越慢，外推损失也越严重
EVT能预测下一次市场崩盘吗？
不能。它在拟合状态与假设下估计尾部概率，不能预测下一次崩盘的时点、原因或确切规模
资料来源与延伸阅读
把这个概念应用到一份期权
选择合约和目标，让价格、时间与波动率假设在同一份分析中清晰呈现
分析我的期权