川海智库

报告概述

本报告提出一个稳健的半参数框架，用于建模时间序列中持续变化的极端尾部行为。该框架基于极端值理论，利用广义帕累托分布的条件版本对超过阈值的峰值进行建模。创新之处在于：通过对超过阈值的观测值进行阈值缩放，使模型仅需一个时变参数（尾部形状）即可描述整个尾部；同时采用单位根型（集成）得分驱动动态，以捕捉尾部风险的持久性。报告建立了模型平稳性、遍历性和可逆性的参数区域，并给出最大似然估计的一致性和渐近正态性条件。该模型为风险管理者提供了一种简洁而统计上一致的工具，用于监测极端市场风险的变化。

报告的核心结论

极端尾部风险具有高度持久性，其动态类似单位根过程。

报告指出，基于加密货币数据的实证估计显示，尾部形状参数的自回归系数非常接近1，表明极端尾部风险的波动模式是高度持续的，而非均值回归。这一发现挑战了传统模型假设，并催生了集成得分驱动模型的理论发展。

单参数动态模型在极端尾部表现优于或持平于双参数模型。

通过使用缩放后的峰值，模型仅需一个时变形状参数即可描述整个尾部，减少了模型复杂性。在加密货币数据的样本外评估中，该单参数模型与更复杂的双参数动态GPD模型表现相似，且在极高分位数（如99.5%）上有时更优。

所提模型与Patton等（2019）的半参数方法互补，尤适用于极远尾部。

Patton等（2019）的方法在较温和的尾部（如90%或95%分位数）表现良好，但在极高分位数（如99.5%）因观测稀缺而估计不稳定。基于EVT的模型通过利用所有超过阈值（如5%尾部）的观测来推断极端尾部形状，从而在极远尾部提供更平滑、更稳健的VaR和ES估计。

加密货币市场的极端尾部风险在2022年显著飙升。

报告对2018-2025年比特币和以太坊小时数据的分析显示，2022年Terra/Luna、FTX和Celsius等事件期间，尾部分布形状参数大幅增加，99.5%的预期损失大约增加了两倍，而后又回落。这证实了模型对市场极端事件的实时敏感性。

报告回答的关键问题

如何用一个参数描述整个尾部风险？

报告提出对超过阈值（τt）的极端观测值进行缩放，即使用 (Xt - τt)/τt 而非原始超过量。基于极端值理论，缩放后的峰值近似服从广义帕累托分布，且仅需一个时变形状参数，无需额外的尺度参数。这种简化在不损失关键尾部特征的前提下降低了模型复杂度。

为什么尾部风险的持久性很重要？

实证表明，尾部形状参数的自回归系数常接近1，即具有单位根特性，这意味着高尾部风险状态会持续较长时间。传统均值回归模型无法捕捉这种持久性，可能导致风险低估。报告为此类集成动态建立了完整的渐近理论，确保模型估计的统计可靠性。

模型如何与现有VaR/ES方法互补？

Patton等（2019）的半参数方法在估计中等阈值（如5%尾部）时非常有效，但直接用于极高分位数（如0.5%尾部）会因极端观测稀少而产生跳跃。本模型利用这些中等阈值下的所有峰值来过滤尾部形状，从而推断更极端分位数的VaR和ES，提供平滑且稳健的极右尾部估计。

报告中的代表性数据

0.0034

比特币/美元尾部形状更新参数α（κ=10%）

2018-2025，在阈值概率κ=10%下，动态EVT模型估计的得分驱动更新参数α为0.0034（标准误0.0011），表明尾部形状对新的极端观测反应温和。

约增加2倍

99.5%预期损失在2022年危机期间的变化

2022年，在2022年Terra/Luna、FTX和Celsius事件期间，比特币和以太坊的99.5%预期损失（ES）大约增加了三倍，随后回落至正常水平，反映了模型对极端事件的高灵敏度。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整的模型设定与推导：包括基于缩放峰值的条件广义帕累托分布、集成得分驱动过滤方程，以及VaR和ES的尾部外推公式。
  • 严格的渐近理论：证明模型在单位根动态下的平稳性、遍历性、可逆性，以及最大似然估计的一致性和渐近正态性，含详细证明。
  • 数值模拟验证：基于正确设定和误设定场景的大量模拟，展示有限样本下参数估计的分布和滤波器的跟踪能力，包括ω固定与估计的影响。
  • 以加密货币为例的详细实证分析：对比特币和以太坊2018-2025年小时数据的全面应用，包括尾部形状的时变估计、VaR和ES的动态分析，以及2022年三个关键事件的风险捕捉。
  • 样本外比较与回测：使用Nolde和Ziegel（2017）的评分规则，将本模型与PZC、TVGPD及GARCH模型进行系统比较，包含DM检验统计量和VaR溢出图。
  • 新闻影响曲线（NIC）分析：展示模型对极端观测的响应形状，证明其鲁棒性（凹性响应），并与PZC方法的线性响应对比。
  • 关于阈值估计方法的详细说明：如何利用Patton等（2019）的动态半参数方法估计时变阈值τt，以及不同κ设定下的结果。
  • 额外的Web附录：包含所有证明的详细版本、补充模拟结果、风险测度公式推导以及更多图表。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告