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
1703536944
预见相关性：风险管理新范例 [:1703535718]
1703536945
预见相关性：风险管理新范例 4.4 DCC模型的估计
1703536946
1703536947
关于数据的特殊描述性假设一旦建立，DCC模型的估计就可以被用公式表示为最大似然问题。需要假设数据是多重变量正态分布，均值和协方差结构已知。幸运的是，估计方法是似最大似然估计（QMLE），某种意义上，如果均值和协方差模型被正确指定，它将具有一致性却没有有效性，即使其他分布假设存在错误。这是Bollerslev和Wooldridge（1992）的著作中提到的多元GARCH过程相关定理所推导的结果。这些模型的非高斯版本的全极大似然估计已经在一些论文中提出。
1703536948
1703536949
就像Bollerslev（1987）提出将t分布用于单变量收益一样，Bauwens和Laurent（2005）将多元斜交分布用于多元GARCH模型，Cajigas和Urga（2006）提出了一种拉普拉斯分布，Pelagatti（2004）采用了椭圆分布。一种基于高斯Copulas或者t分布Copulas的富有吸引力的非Gaussian联系分布，已经在第2章运用元分布讨论过，并可能提供了一种解决这些估计问题的简单可计算的方法。
1703536950
1703536951
为了精确地描述之前提到的模型，它将被全部重新梳理如下。