巨灾模型中的GPD尾部风险

频率-严重度模型是保险公司、再保险公司乃至越来越多银行为巨灾定量的方式。频率一侧相对容易处理——泊松过程、超离散调整、季节性因素。而严重度一侧才是模型赢得费用、也失去公信力之处，因为偿付能力系于尾部，而数据在尾部最为稀薄。

处理尾部的主力工具是应用于所选阈值之上的广义帕累托分布(Generalised Pareto Distribution, GPD)——即极值理论中的超阈值法(peaks-over-threshold)。在相当宽松的条件下，无论潜在损失分布如何，超过足够高阈值的超限值都会收敛为GPD。这是好消息。本文其余部分要谈的，是其中令人为难的细节。

为何尾部的重要性不成比例

对于典型的自然巨灾组合，大多数事件位于肥尾主体之内（独栋住宅火灾损失、轻微风灾、小规模洪灾），而少数尾部事件决定了200年一遇或500年一遇的损失。监管资本与再保险定价几乎都只关心这一尾部。若主体拟合良好而尾部拟合有误，得到的模型能很好地贴合历史数据，却会严重低估资本需求。

选择阈值——最难的一步

GPD只有在“足够高”的阈值之上才渐近成立。阈值选得太低，拟合会受到主体数据的污染；阈值选得太高，超限值样本又会不足，形状参数便是从噪声中估计出来的。

两种主力诊断工具：

• 平均超额图(mean excess plot)。 在有效阈值之上，任一更高水平的超限值均值应近似地随该水平呈线性变化。要寻找该图形趋于稳定线性的那个点。
• 参数稳定性图。 在一系列阈值上分别拟合GPD，并将形状参数ξ相对于阈值作图。合适的阈值应位于ξ大致保持恒定的区域内。

这两种诊断工具都不会给出唯一答案。阈值选择是一项判断，应当留有文档记录，经过敏感性检验，并在损失历史延长时重新审视。若某模型每年悄悄重新选取阈值以维持数字稳定，那它其实不算真正的尾部模型——而只是一种平滑处理。

形状参数是关键所在

GPD的形状参数ξ决定了尾部衰减的速度。

• ξ < 0：有界尾部，损失不会超过某个有限最大值。在巨灾建模中较为罕见。
• ξ = 0：指数型尾部，属于中等情形。
• ξ > 0：帕累托型重尾。任何值得建模的巨灾组合，最终都会落在这一情形。

ξ为0.2与0.4，听起来差异不大。但在200年重现期上，这一差异可能使损失估计值翻倍。这正是为何ξ需要一个真正的置信区间——而不是精确到小数点后三位的极大似然点估计——也是为何参数不确定性是准备金评估叙事的核心部分，而非事后补充。

参数不确定性是一项一等风险

尾部超限值的数量按定义就很少——这正是它们成为尾部事件的原因。将双参数GPD拟合到40或60个超限值上，两个参数的置信区间都会很宽。若忽视这种不确定性而只报告单一的200年一遇数字，就会造成虚假的精确感，一旦真实事件超出以往历史范围，这种精确感便会瞬间崩塌。

两种实用工具：

• 针对ξ与重现水平的轮廓似然置信区间。 这类区间是非对称且诚实的；在重尾情形下，基于标准误的区间会出现覆盖不足的问题。
• 基于自助法(bootstrap)的重现水平区间。 尤其适合向非量化背景的受众传达尾部不确定性。

气候已成为一等重要的问题

历史频率与严重度已不再是预测未来的可靠基础。北大西洋飓风频率、欧洲风暴的聚集性、美国西部野火严重度、大多数内陆流域的洪水频率——都呈现出打破朴素GPD拟合中平稳性假设的趋势。目前已形成两种标准应对方式：

1. 对损失历史进行去趋势处理，先归一到共同的气候基准，再重新投射到面向未来的基准之上。
2. 在已拟合参数之上叠加气候情景，参考RCP或SSP情景组合（对银行而言则参考NGFS情景）。

两种方法都不完美，但都胜过对该问题置之不理。

一个站得住脚的尾部模型应具备的样貌

• 阈值选择有平均超额图与参数稳定性图的依据支撑，并经过稳定性检验。
• 形状参数以轮廓似然置信区间报告，而非单一点估计。
• 重现水平的不确定性以区间形式传达，并通过自助法加以探究。
• 平稳性假设经过检验，一旦被打破，即以明确的去趋势处理或情景叠加加以替代。
• 模型输出与实际再保险安排及任何外部供应商模型进行核对，出现分歧时予以调查，而非简单取平均掩盖。

在量化金融领域，很少有像巨灾建模这样，90%的答案藏在最后5%的数据之中的情形。这正是其难点所在，也正是为何在此处走捷径——单一阈值、一个头条式的点估计、一个平稳拟合——一旦真实事件降临，代价会如此高昂。