模拟组会：第 01 次

综合实践 · 06_论文与组会/模拟组会_第01次.md

主题

从极端事件和尾部风险理解极值理论的入门价值。

大家好，我这次准备的是极值理论的入门理解，重点放在极端事件和尾部风险。

我目前的理解是，极值理论和普通统计的关注点不同。普通统计经常关心整体趋势，比如均值、方差或一般情况下的预测误差；但极值理论更关注分布尾部，也就是小概率但高影响的事件。比如金融市场中的极端亏损、系统中的极端负载、复杂网络中的级联失效，都不是只看平均水平就能充分描述的。

我觉得“尾部风险”是理解这个方向的关键词。如果数据存在重尾特征，那么正态分布这类常见假设可能会低估极端事件发生的概率。在这种情况下，我们需要单独分析高分位数、阈值超越样本，或者用 GEV、GPD 这类模型刻画极端值。

从应用角度看，我现在会先把问题拆成三步。第一步是定义什么算极端，比如用固定阈值或 95%、99% 分位数。第二步是看这些极端样本是否具有规律，比如尾部是否较重。第三步才是考虑具体模型，比如块最大值方法对应 GEV，阈值超越方法对应 GPD。

我目前还没有完全掌握参数估计和理论推导，但我能理解它的应用逻辑：当研究目标是最坏情况、系统风险或极端损失时，只看平均表现是不够的，应该把尾部作为单独对象来建模。接下来我会补 GEV 和 GPD 的区别，并用 Python 做一个最小拟合例子。

异常值有时是数据错误，需要清洗；极端事件可能是真实发生且正是研究对象。我的理解是，极值理论不能简单地把极端样本删掉，而要先判断它们是否代表真实尾部风险。

均值和方差描述的是整体水平和波动，但对尾部形状不够敏感。两个分布可能均值接近，但极端损失概率差别很大。极值问题更关心高分位数和超过阈值后的损失。

我目前的理解是，GEV 更适合块最大值，比如每年最大降雨量；GPD 更适合阈值超越数据，比如超过某个高阈值的损失。细节上的参数估计和诊断我还需要继续补。

入门阶段我会先用直方图、分位数、尾部图形和极端样本比例做初步判断。更严格的方法需要尾部指数估计或专门检验，这部分我还在补。

复杂系统中很多风险不是孤立发生的，可能通过网络结构和反馈机制放大。极值理论可以帮助刻画极端结果，复杂系统模型可以帮助解释这些极端结果如何产生和传播。