极值理论

01

尾部才是重点

EVT 的决定性特征，是它刻意丢掉数据的主体、只研究那些极端——因为一个分布的中心 几乎告诉不了你关于它尾部的任何事。两个数据集可以有完全相同的均值与方差，却有着迥然不同的、出现 灾难性离群值的机会。对防洪、保险、基础设施与灾害规划而言，决定你是有备还是暴露的，是尾部 概率——而非平均。

而目标确实大胆：估计一个比迄今观测到的任何东西都更极端的事件的概率。你有 50 年的记录， 却需要 200 年一遇的洪水。那是超出数据的外推——一般来说这不可能，只不过 EVT 提供了一个 了不起的理论理由，说明它有时是能做到的。

02

为什么正态统计在尾部失灵

本能是给所有数据拟合一个熟悉的分布（一个正态）、再 从中读出尾部。这会败得很惨：一个拟合的正态被塑造成去匹配大多数数据所在的中心，而它 系统性地低估极端事件的机会，因为现实世界的尾部往往远比正态那条又薄又快速衰减的 尾巴更重。用主体去预测尾部，正是「不可能的」10 西格玛事件不断发生的原因。

更深的问题是概念性的：一个「百年一遇」的事件，并不是在任何简单的线性意义上比一个典型年份罕见 100 倍——在尾部，量级与稀有度之间的关系遵循它自己的法则。EVT 的贡献，是辨认出那个法则是 什么，好让你用对的那一族分布给极端建模，而非硬套上错的那一族。

03

块极大值与 GEV 分布

第一个框架是块极大值：把记录分成若干块（例如年），只保留每一块的极大值（每一年最热的那天）。接着来的，是让 EVT 奏效的那个漂亮结果——极值类型定理（Fisher–Tippett）：无论原始分布是什么，那些块极大值的分布都收敛到一个单一的族，广义极值（GEV）分布。

把 GEV 拟合到你的块极大值上，你就有了一个极端的模型，可以把它推到观测范围之外——从 50 年的 年度极大值，得到那个 200 年一遇的事件。

04

超阈值与广义帕累托

块极大值很浪费——它每年只保留一个值，即便第二糟糕的那天也极端，也被丢掉。超阈值（POT）方法更好地利用了数据：挑一个高阈值，给每一个超过它的越界值建模。配套的 定理（Pickands–Balkema–de Haan）说，这些阈值越界收敛到广义帕累托分布（GPD）。

POT 在实践中（水文、金融、气候）通常更受青睐，恰恰因为它从尾部提取了更多信息——更多越界意味着 更多数据，从同一份记录里把分布钉得更准。代价是阈值的选择：太低，你就用非极端数据污染了尾部； 太高，你又回到了点太少。

05

形状参数：尾部有多重？

GEV 与 GPD 都有一个关键的形状参数 $\xi$（xi），它控制尾部的 性格——可以说是整个分析中单一最重要的数字。它的符号把世界分成三种尾部类型：

• $\xi = 0$——Gumbel：一条轻的、指数的尾巴（极端迅速变得更 罕见；例如大致接近正态的数据）。
• $\xi > 0$——Fréchet：一条重尾，没有 上界（极端事件比直觉所暗示的可能得多——金融损失、某些降雨）。危险的情形。
• $\xi < 0$——Weibull：一条有有限上限的尾巴（存在一个硬性的 物理极大值）。

估计 $\xi$ 告诉你，你是活在一个最坏有界的世界里，还是一个总有一场更大 灾难潜伏着的世界里——一个彻底改变你该留多少余量的区别。

06

重现水平：「N 年一遇」事件

EVT 的标志性产出是重现水平——平均每 $N$ 年被超过一次的量级 （那个「百年一遇的洪水」）。配套的想法是重现期：一个重现期为 $N$年的事件，每一年大约有 $1/N$ 的概率发生：

07

诚实的局限

EVT 强大，而且对它自身的脆弱异常诚实：

08

它在我工作中的体现

09

60 秒回顾

块极大值/GEV 与 POT/GPD 框架、形状参数的尾部类型、重现期的解读，以及非平稳性的告诫，反映了 当前的极值参考文献以及气候风险工作。