大概解释一下：极值统计理论（Extreme Value Theory, EVT）

极值统计理论（Extreme Value Theory, EVT） 是一门专门研究**“极端事件”**的概率和统计理论，它的目标是对“最大值、最小值”这类罕见但关键事件的行为建模预测。

---

✅ 一、通俗理解：为什么要用极值理论？

我们常用统计模型研究“平均”或“多数情况”，但在很多场景中，“最极端的少数情况”才是最重要的：

场景	关键事件
风电或电力系统	最大负载、风速极值、温度极端值
洪水预测	百年一遇的大雨
风险控制	股票崩盘、设备灾难性故障
异常检测	某个指标突然超出历史所有值

这些情况都不能仅靠“均值 ± 标准差”来估计，需要用 EVT 来建模。

---

✅ 二、极值理论的核心思想

极值理论主要研究的是：

在大量独立同分布（i.i.d.）样本中，最大（或最小）值的极限分布规律

这类似于中心极限定理研究“样本均值”的极限分布，只不过 EVT 是研究极值。

---

✅ 三、经典模型框架（两个分支）

1. Block Maxima 方法（区块极值法）

• 把时间序列划分为若干个时间段（比如按月/年）
• 每段只保留一个极大值（或极小值）
• 这些极值将趋近于某个极值分布：广义极值分布（GEV）

GEV分布统一描述三种极端行为：
$$G(z)=\exp \left\{-{\left[1+\xi \left(\frac{z-\mu }{\sigma }\right)\right]}^{-1/\xi }\right\}$$
其中：

• $\mu$：位置参数
  -$\sigma >0$：尺度参数
• $\xi$：形状参数，决定极值的“尾部形态”：
  • $\xi =0$：Gumbel 分布（轻尾，如温度）
  • $\xi > 0$：Fréchet 分布（重尾，如金融风险）
  • $\xi <0$：Weibull 分布（有限上界，如物理强度）

---

2. Peaks Over Threshold（POT 方法）

• 不看每段最大值，而是看所有“超过某个高阈值”的样本点
• 超过阈值的超额部分服从：广义帕雷托分布（GPD）

$$F(y)=1-{\left(1+\frac{\xi y}{\beta }\right)}^{-1/\xi }$$
其中：

• $y=x-u$：超出阈值 ( u ) 的部分
• $\xi$、$\beta$：分别为形状和尺度参数

POT 方法适合更多数据，更稳定，常用于现代风险评估、异常检测中。

---

✅ 四、EVT 的典型应用

应用领域	具体用途
电力系统	极端负载、温度、风速检测
风电运维	异常值检测、预测最大应力
金融风控	VaR（风险价值）模型
环境科学	洪水、干旱预测
工业过程	设备超负荷、极限失效检测

---

✅ 五、EVT vs 正态分布

对比项	正态分布	EVT
目标	全体样本趋势	极端尾部行为
重点	平均值±波动	极端风险、离群值
对异常敏感性	差	强
适用范围	数据集中在均值附近	关注罕见但重要事件

---

✅ 六、在异常检测中的用法简例

你可以这样使用 EVT 来划定异常：

1. 用 POT 方法选取高于 95% 分位数的数据；
2. 拟合 GPD 分布；
3. 设定一个置信水平（如 99.9%），预测极限阈值；
4. 超过该阈值的数据 = 异常

---