M/04 · Extreme Value Theory（極值理論）

超閾峰值與成對尾部耦合

對跨資產報酬上尾的 Generalised Pareto 擬合，外加一個用於漸近尾部相依的無模型係數 χ。

數學原理

Pickands–Balkema–de Haan

設 X 為一隨機變數，其 CDF F 滿足當 x → x*（右端點，可能為 +∞）時 F(x) → 1。對一個高閾值 u，定義在 X > u 條件下的超出隨機變數 Y = X − u。Pickands–Balkema–de Haan 定理（1974–75）指出，F 屬於某極值分布的最大吸引域，若且唯若存在縮放函數 σ(u) 使得

u \to x^{*} lim 0 \leq y \leq x^{*} - u sup F_{u} (y) - G_{ξ, σ (u)} (y) = 0,

其中 G 為廣義 Pareto 分布（GPD）

G_{ξ, σ} (y) = ⎩ ⎨ ⎧ 1 - (1 + ξ y / σ)^{- 1/ ξ}, 1 - exp (- y / σ), ξ \neq = 0, y \in [0, y^{*}) ξ = 0, y \in [0, \infty)

對 ξ ≥ 0 時 y* = ∞，而對 ξ < 0 時 y* = −σ/ξ。形狀參數 ξ 主宰尾部行為：

ξ > 0：重尾，以指數 1/ξ 規則變化。股票報酬與 crypto 落在此處，ξ ≈ 0.2–0.4。
ξ = 0：指數尾。許多由雜訊驅動的序列。
ξ < 0：有界尾。在金融中罕見，但見於具波動率下限的序列。

動差法估計量

參數為 (ξ, σ) 的 GPD 之均值與變異數為

E [Y] = \frac{σ}{1 - ξ}, Var [Y] = \frac{σ ^{2}}{( 1 - ξ ) ^{2} ( 1 - 2 ξ )}, ξ < 1/2.

反解這些關係式即得 Hosking–Wallis（1987）的動差法估計量

\hat{ξ} = \frac{1}{2} (1 - \frac{Y ˉ ^{2}}{s _{Y}^{2}}), \overset{σ}{^} = \overset{ˉ}{Y} (1 - \hat{ξ}) .

MLE 在漸近上更有效率（也是生產函式庫所採用的），但動差法為封閉形式、具確定性，且足以應付下方的示範。

尾部相依係數 χ

對一個具連續邊際 F_X、F_Y 的雙變量 (X, Y)，定義上尾相依係數

χ = u \to 1^{-} lim P (F_{Y} (Y) > u F_{X} (X) > u) .

它在 (X, Y) 上是對稱的，由定義即可輕易驗證。有兩個事實使 χ 成為正確的對象：

獨立 ⇒ χ = 0。若 X ⫫ Y，則條件機率不過是 1 − u → 0。
共單調 ⇒ χ = 1。若 Y 是 X 的單調函數，則條件機率恆為 1。

關鍵在於，χ 在邊際的單調變換下不變，它只取決於 copula。這使它成為一個與邊際無關的聯合極端性度量。對高斯 copula（任意相關性 ρ < 1）而言 χ = 0；而對具 ν 自由度、相關性 ρ 的雙變量 t copula 而言，

χ_{t} = 2 \overline{F}_{t_{ν + 1}} ((ν + 1) \frac{1 - ρ}{1 + ρ})

對任意 ρ > −1 都 > 0。這正是「危機中一切都會相關」此一觀察的經驗內涵：高斯相關性對聯合極值毫無置喙之地，但一個處於中等 ρ 的 Student-t copula 就已產生有意義的尾部耦合。

經驗估計量

將 F_X、F_Y 以經驗 CDF（均勻秩除以 n+1）取代，並對接近 1 的閾值 u 計算

χ (u) = \frac{# { i : R _{X, i} / ( n + 1 ) > u \land R _{Y, i} / ( n + 1 ) > u }}{# { i : R _{X, i} / ( n + 1 ) > u }} .

實例演算

生成 2,000 對 (X_t, Y_t)，其中 Y_t = λ X_t + √(1 − λ²) Z_t，X 與 Z 為獨立的 Student-t_ν。取 ν = 5，λ = 0.5。其所隱含之雙變量 t copula 的理論 χ 為非零。在 |X| 上對第 95 百分位以上擬合的 GPD，應回傳約為 1/ν = 0.2 的 ξ。

Demo: Peaks-over-threshold + tail-coupling χ

Synthetic Student-t pair (X,Y) with linear coupling λ. Fit GPD on |X| excesses above the 95th percentile; compute empirical χ(u) on (X,Y) ranks.

n (sample size)2000

λ (coupling)0.50

ν (df, tail)5

threshold pct (u)95

seed=13

threshold u

2.537

# excesses

100

ξ (shape)

0.044

σ (scale)

0.834

empirical χ(q), tail-coupling

q = 0.90.320

q = 0.950.260

q = 0.990.150

Histogram of 100 excesses above threshold u=2.537. Amber line: fitted GPD density with ξ=0.044, σ=0.834. ξ > 0 indicates a heavy (Pareto-type) tail. The χ(0.99) value at left measures how often X and Y simultaneously exceed their 99th percentile, a model-free tail-coupling estimator.

Note: GPD fit uses method-of-moments (Hosking & Wallis 1987). The reference implementation uses MLE. Both estimators are consistent; MoM is preferred here for in-browser determinism.

圖表

Loading…

Fig. 1:每日策略損益的 POT-GPD 擬合尾部存活函數 P(|R| > r)，繪於對數-對數座標，取第 95 百分位以上，圖例中按序列標出 MLE 形狀 ξ̂。Crypto 策略損益明確落在重尾機制（ξ̂ > 0）。

Fig. 2:在一段 4 年的共同視窗上，跨資產每日彙總策略報酬之間的經驗 χ̂(0.95)。非對角線元素明顯為正，BTC、ETH、SOL、DOGE 等之間的聯合極值出現頻率嚴格高於獨立性的預測，這正是「危機中一切都會相關」的經驗內涵。

為何這對系統性策略至關重要

在本機構流程中有兩個實務用途。其一，對逐策略回撤分布所做的 GPD 擬合，給出在機制轉換期間不會塌縮的誠實尾部 VaR 與預期損失估計，高斯 VaR 這個替代方案在同一波危機中會將尾部風險低估一個數量級。其二，跨資產報酬在 u = 0.99 上的 χ 是傳染的領先指標。當 BTC–XAU 的 χ(0.99) 漂移至 0.4 以上時，其經驗型態與廣泛的「奔向現金」（flight-to-cash）情節相符，在這些情節中，歷史上不相關的資產會在其尾部共同移動。

可重現性

DaruFinance / tail-evt

Rust · 開源參考實作

最小調用

use tail_evt::{pot_fit, tail_chi};

// X: &[f64] of returns
let fit = pot_fit(&x, /*pct=*/ 0.95);
println!("xi = {:.3}, sigma = {:.3}", fit.xi, fit.sigma);

// Pairwise tail dependence on (X, Y)
let chi_99 = tail_chi(&x, &y, 0.99);
println!("chi(0.99) = {:.3}", chi_99);

參考文獻

[1]Pickands, J. (1975). Statistical inference using extreme order statistics. Annals of Statistics 3, 119–131.
[2]Balkema, A. A. & de Haan, L. (1974). Residual life time at great age. Annals of Probability 2, 792–804.
[3]Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values. Springer Series in Statistics.
[4]McNeil, A. J., Frey, R. & Embrechts, P. (2015). Quantitative Risk Management: Concepts, Techniques and Tools (rev. ed.). Princeton University Press.

所有專案在 GitHub 上檢視