1703536602
接下来的假设是条件协方差矩阵是具有对每个序列是一元GARCH形式的对角矩阵。这个假设是这个方法的核心。它等同于假设变量的线性组合是一个如式（3-25）中的CCC模型。因为非条件协方差矩阵是对角矩阵，所以它满足R=I。式（3-27）中计算的每个残差序列被看做一个GARCH过程并且它的条件方差是估计的。数学上，这可以表示为
1703536603
1703536604
1703536605
1703536606
1703536607
那么，最终的协方差矩阵重新表示为
1703536608
1703536609
1703536610
1703536611
1703536612
这个模型的这个形式被称作OGARCH模型（orthogonal GARCH），它得到广泛使用并且由Alexander（2002）、Alexander和Barbosa（2008）推广。同前面一样，假定对角条件方差是一个一元GARCH模型。这个方法形式上与式（3-28）和式（3-29）相同，但是对应于P的不同选择。在这种情况下，P-1是无条件协方差矩阵的特征向量矩阵。随机变量Py被称为y的主成分。
1703536613
1703536614
1703536615
1703536616
1703536617
假定条件协方差矩阵简单表示为
1703536618
1703536619
1703536620
1703536621
1703536622
其中每个成分服从一个一元GARCH过程。无条件协方差矩阵是
1703536623
1703536624
1703536625
1703536626
1703536627
1703536628
一个紧密相关且受Alexander青睐的选择是，一开始将y转变成具有单位方差，以便于特征向量和主成分现在能由条件相关矩阵计算。不失一般性，相关矩阵的特征向量能够被找到并且表示为。也就是
1703536629
1703536630
1703536631
1703536632
1703536633
OGARCH模型假设
1703536634
1703536635
1703536636
1703536637
1703536638
其中组成部分是一元GARCH模型。因此，条件协方差矩阵由
1703536639
1703536640
1703536641
1703536642
1703536643
1703536644
1703536645
给出。一旦P或和从数据中得到计算，每个主成分的方差就能够根据式（3-31）或者式（3-34）来估计。这是一个两步估计量：开始先抽取主成分S，然后估计一元模型。然而这个两步过程的计量经济分析仍然没有得到检验。
1703536646
1703536647
P的这些选择导致了不同的模型。实际上P有许多选择。Van der Weide（2002）最近已经认识到这个特点并且介绍了这类广义正交GARCH模型（generalized orthogonal GARCH），或者称为GO-GARCH模型。
1703536648
1703536649
1703536650
1703536651