Työssä tarkastellaan ääriarvoteorian perusteiden pohjalta kahta tunnettua ääriarvojakaumaa ja niiden antamia häntätodennäköisyyksiä havaintoaineistolle, joka esittää osaketuottojen kuukausitappioita. Lukijalla oletetaan olevan hallussa todennäköisyysteorian -ja laskennan perustiedot.
Ääriarvoteoriassa ollaan kiinnostuneita jonkin havaintoaineiston otosmaksimien käyttäytymisestä sekä niiden jakaumasta. Kiinnostuksen kohteena on siis harvoin sattuvien tapahtumien todennäköisyydet eli havaintojen häntätodennäköisyydet ja tarkoitus on analysoida tiettyyn hetkeen mennessä havaittuja tapahtumia suurempien tapahtumien todennäköisyyksiä.
Tutkielman alussa käydään lävitse ääriarvoteorian muutamia olennaisia tuloksia. Käsiteltävä teoria on nimenomaan klassista ääriarvoteoriaa, jossa havaintojen oletetaan olevan riippumattomia ja samoin jakautuneita. Olennainen tulos ääriarvoteoriassa on se, että mikäli sopivilla vakioilla normeerattu otosmaksimi suppenee jakaumaltaan kohti jotain ei-degeneroitunutta jakaumaa, kun otoskoko kasvaa rajatta, niin tällöin tämän jakauman täytyy olla tyypiltään yksi kolmesta standardista ääriarvojakaumasta Fréchet, Weibull tai Gumbel. Tällöin sanotaan, että otosmaksimin jakauma kuuluu ääriarvojakauman vaikutuspiiriin maksimin suhteen.
Teorian käsittelyn jälkeen esitellään ääriarvoteorian kaksi tunnetuinta ääriarvojakaumaa. Ensimmäinen niistä on standardi yleistetty ääriarvojakauma eli ns. GEV-jakauma, joka pitää sisällään nuo kolme edellä mainittua standardia ääriarvojakaumaa. Toinen esiteltävä jakauma on yleistetty Pareto-jakauma eli ns. GP-jakauma, jonka jakaumaperheen jäsenet niinikään kuuluvat GEV-jakauman antamien ääriarvojakaumien vaikutuspiiriin maksimin suhteen. Molempien jakaumien avulla pystytään vähän eri menetelmin tutkimaan ääriarvojen tapahtumista jonkin tietyn havaintoaineiston pohjalta ja ekstrapoloimaan havaintoaineiston alueelle, jota ei paljon tunneta eli ääriarvoalueelle.
Teorian ja jakaumien konkretisoimiseksi tutkielmassa käydään esimerkin avulla läpi minkälaisia tuloksia ääriarvojakaumilla voidaan saavuttaa. GEV-jakauman sovitus havaintoaineistoon tapahtuu ns. blokkimaksimimenetelmällä. Siinä aineisto jaetaan vuoden blokkeihin ja kustakin blokista poimitaan suurin osaketappio. Tämän jälkeen GEV-jakauma sovitetaan ns. suurimman uskottavuuden menetelmällä havaintoihin. GP-jakauman sovitus aineistoon tapahtuu ns. ylitemenetelmällä, jossa havaintoihin otetaan mukaan tietyn korkean tason ylittävät havainnot. Tämän jälkeen myös GP-jakauma sovitetaan havaintoihin suurimman uskottavuuden menetelmällä. Tuloksista käy ilmi, että molemmat jakaumat vaikuttavat sopivan suhteellisen hyvin havaintoihin joskin GP-jakauma antaa monipuolisempia tuloksia.
Lopuksi kerrataan vielä käsiteltyjä asioita sekä kurotetaan esitellyn teorian ohi kohti yleisempää teoriaa. Klassinen ääriarvoteoria ei riippumattomuus oletuksineen nimittäin sellaisenaan sovi reaalimaailman havaintoaineistoon. Asia on tutkielmassa kuitenkin pääosin sivuutettu esityksen helpottamiseksi.