打字猴:1.703536752e+09

1703536752 这是一种对指数平滑的直接模拟，只是这些数据的波动率经过调整。其中只包含了一个参数λ，而且它可以用于该体系的所有等式。此模型被称为综合DCC模型，因为过程Q存在单位根。此过程并不存在协方差回复为常数的趋势，并且应该对偶尔跳跃的相关系数建模非常有用。有许多序列具有结构突变，而且突变后不大可能恢复。上述表达式的矩阵形式为

1703536753

1703536754

1703536755

1703536756

1703536757 相关系数的变化绝大部分似乎都是暂时的，并且是均值回复的。包含如上假设的表达式类似于一个简单的GARCH（1，1）过程。更精确地说，均值回复模型近似于一种标量对角向量GARCH模型，但只是针对经调整波动率后的数据。前两种资产的似相关系数序列可表达为

1703536758

1703536759

1703536760

1703536761

1703536762 此过程的矩阵形式可以简单表达为

1703536763

1703536764

1703536765

1703536766

1703536767 此过程有两个未知的动态参数并且在截距项矩阵中有（1/2）Nx（N-1）参数。

1703536768

1703536769 幸运的是，一种简单估计截距项参数的方法可通过相关系数靶向法获得。下面会更详细地讨论该方法，但本质上它相当于使用一种经调整波动率随机变量间的非条件相关系数的估计量。那么，采用以下的估计量

1703536770

1703536771

1703536772

1703536773

1703536774 可以将剩余未知参数的数量降至2个。评估此估计量的性能时必须考虑这一点，第11章便会谈到这一点。其约束条件的统计学基础也会在今后更为详细地讨论。

1703536775

1703536776 将式（4-11）代入式（4-10），便得出均值回复DCC模型的基本形式

1703536777

1703536778

1703536779

1703536780

1703536781 如果α、β和（1-α-β）全为正值且初始值Q1正定，那么矩阵Q可确保正定。这是因为Q接下来每一时期的值都由正定或半正定矩阵简单加总而成，因而必然是正定的。

1703536782

1703536783 现在可以清晰地看出此模型是如何运转的。由Q中非对角元素近似得出的相关系数随时间迁移而变化，以作为对收益相关的新信息的反应。当收益朝同方向变化时——无论它们是同时变大或同时变小——它们之间的相关系数将增大至平均水平以上并在一段时间内保持不变。信息的作用会逐步衰退，相关系数也将跌回其平均值水平。与此类似的，当资产收益往相反方向变化时，相关系数将暂时低于其非条件取值。两个参数（α，β）控制着此调整过程的速度。这两个参数需从数据中估计得出。需要注意的是，这是一个极度简洁的表达式，因为无论建构的模型规模多大，只需要用到两个参数。

1703536784

1703536785 第三个非常有用的模型是非对称DCC模型，或称ADCC。此模型认为正负随机变量对相关系数的动态调整情况是不同的。在式（4-9）可清晰看出当变量全部为正时的相关系数同它们全部为负时的相关系数完全相同。然而，在许多金融的实际应用中，可观察到当市场价格整体下降时，相关系数增长更快。因而需要在相关系数过程中添加新的一项

1703536786

1703536787