[论文解读] Extreme Value Theory for Time Series using Peak-Over-Threshold method

Gianluca Rosso|arXiv (Cornell University)|Sep 3, 2015

Financial Risk and Volatility Modeling参考文献 8被引用 8

一句话总结

本文在极值理论框架内应用峰值法（Peak-Over-Threshold, POT）对时间序列中的极端事件进行建模，采用广义帕累托分布（Generalized Pareto Distribution, GPD）估计风险价值（Value at Risk, VaR）与预期短缺（Expected Shortfall）。该方法通过聚焦于超过阈值的数据点，在金融、运营和气候时间序列中实现稳健的风险评估。

ABSTRACT

This brief paper summarize the chances offered by the Peak-Over-Threshold method, related with analysis of extremes. Identification of appropriate Value at Risk can be solved by fitting data with a Generalized Pareto Distribution. Also an estimation of value for the Expected Shortfall can be useful, and the application of these few concepts are valid for the most wide range of risk analysis, from the financial application to the operational risk assessment, through the analysis for climate time series; resolving the problem of borderline data.

研究动机与目标

• 解决时间序列数据中罕见但影响重大的极端事件建模挑战。
• 通过聚焦极端值，改进金融、运营风险和气候科学中的风险评估。
• 提供一种实用框架，利用POT方法估计风险价值（VaR）与预期短缺。
• 处理传统统计建模中常出现问题的边界或极端数据点。
• 展示广义帕累托分布（GPD）在时间序列背景下拟合阈值超额值的适用性。

提出的方法

• 识别一个较高的阈值，将超过该阈值的极端值纳入分析范围。
• 使用广义帕累托分布（GPD）对超过该阈值的超额值进行建模。
• 利用最大似然法或其他统计拟合技术估计GPD参数。
• 基于拟合的GPD计算给定置信水平下的风险价值（VaR）。
• 基于拟合的GPD参数推导预期短缺，作为尾部风险度量。
• 在包括金融、运营和气候数据在内的多样化时间序列中验证该方法。

实验结果

研究问题

• RQ1 峰值法如何在时间序列数据中有效应用于极端事件建模？
• RQ2 基于GPD的VaR与预期短缺估计在多样化时间序列应用中的准确性和稳健性如何？
• RQ3 POT-GPD方法如何处理传统统计模型易受干扰的边界或极端数据点？
• RQ4 与时间序列中传统的分布假设相比，GPD在风险量化方面有何改进？
• RQ5 基于POT的极值分析在金融、气候和运营风险管理中的实际意义是什么？

主要发现

• 峰值法通过聚焦于超过高阈值的数据，为时间序列中的极端值建模提供了可靠框架。
• 使用广义帕累托分布拟合超额值，可实现多种风险情境下风险价值（VaR）的精确估计。
• 可基于GPD参数有效计算预期短缺，提供更全面的尾部风险度量。
• 该方法在金融风险、运营风险和气候时间序列分析等各领域均具有广泛适用性。
• 与传统方法相比，该方法对边界或极端数据点的处理更具优势，提升了模型稳定性。
• 使用GPD拟合超额值确保了统计一致性与极值理论的理论基础。