1703536894
1703536895
1703536896
1703536897
1703536898
1703536899
此表达式可视为三种相关系数估计值的加权平均：非条件相关系数R12，先前相关系数估计量和+1或-1。在每一个时间点上，如果外界冲击为0，都会有一个相关系数预测值。此预测值反映了一个较小却十分重要的均值回复的趋势。如果非条件相关系数也设定为（0，0.5，0.9），同之前指数平滑器给出的一样，唯一的区别将取决于α和1-λ的大小。典型的在DCC中，α的估计值仅为0.01，因而曲线也比RiskMetrics给出的值为0.06的指数平滑器所对应的曲线更为平滑。对DCC而言，图4-2显示了相关系数新闻冲击曲线，采用了的（α，β）代表性的值（0.01，0.97）。这些曲线在3倍标准差前类似于二次方程曲线；对于大的冲击，甚至到达8倍标准差时，曲线仍然近似于线性的。变化的临界点在6倍标准差处。有趣的是，可将同样的分析思路应用于Tse和Tsui（2002）所建立的模型。他们的模型对相关系数直接估计，而没有采用DCC模型所谓的尺度重调。相关系数的预测值由下式给出
1703536900
1703536901
1703536902
1703536903
1703536904
1703536905
1703536906
1703536907
此模型中，不要进行尺度重调。然而，式（4-30）中的滚动相关系数估计量自身是一个非线性方程。相关系数新闻冲击面也可由此模型构建起来。
1703536908
1703536909
1703536910
1703536911
1703536912
图4-2 相关系数新闻冲击曲线：DCC
1703536913
1703536914
注：相关系数预测值是本期相关系数和ε的函数，其中ε是以标准差衡量的收益率。
1703536915
1703536916
前两个资产收益间预测的相关系数由下式给出。
1703536917
1703536918
1703536919
1703536920
1703536921
在实证案例中，Tse和Tsui令k=n，即纳入相关系数计算的变量数目。他们的案例中这就是2或3。由于最后一项无法超过+1或-1，其最大冲击效果便为+α或-α。那么在一次观测中，相关系数预测值将不会剧烈变化。此外，当k较小时，较弱冲击下相关系数便会达到这一数值。图4-2中二次方程形状部分十分短暂，变化的节点在1倍标准差处并且较大冲击的影响作用下降，所以4倍标准差以上的冲击大体上具有相同效果。事实上，相关系数预测值永远无法接近一致性极限，即使存在着一列完全关联的冲击的无穷序列。符合该模型的相互关系新闻冲击面由图4-3给出。Tse和Tsui的实证案例中的系数α在0.01~0.03取值，这里取值0.02，k=3。
1703536922
1703536923
1703536924
1703536925
1703536926
图4-3 相关系数新闻冲击曲线：Tse和Tsui
1703536927
1703536928
注：相关系数预测值是本期相关系数和ε的函数，其中ε是以标准差衡量的收益率。
1703536929
1703536930
图4-4展示了非对称DCC模型的相关系数影响曲线。在这个模型中，参数（α，β，γ）被赋值为（0.018，0.97，0.014），它们是由股票指数成分股的数据估计得出的。这些曲线展示了ε1＝ε2时两者同时增大或者同时减小时的情况。值得注意的是，当两者同时减小，尤其在股票价格很高时，相关系数会增大。
1703536931
1703536932
1703536933
1703536934
1703536935
图4-4 相关系数新闻冲击曲线：非对称DCC
1703536936
1703536937
注：相关系数预测值是本期相关系数和ε的函数，其中ε是以标准差衡量的收益率。
1703536938
1703536939
相关系数新闻冲击面可由第3章中讨论的种类繁多的多元GARCH模型构建得出。这些模型都有相似的结构，但模型大小差别很大。对于所有平方项和交叉乘积项线性的模型而言，比方说向量和多元波动性模型，仅仅一个极端观察值就可以使相关系数预测值增大至1。在那些没有被描述为“对角型”的模型中，针对其他变量的冲击也同样会产生作用。有许多不对称性的模型对ε为正和ε为负的反应存在差异。
1703536940
1703536941
1703536942
1703536943