1703536952
1703536953
假设
1703536954
1703536955
1703536956
1703536957
1703536958
其中，α、β和（αi，βi）对所有i而言都是非负的，其总和小于1。
1703536959
1703536960
数据集{y1，…，yT}的对数似然函数可以写成
1703536961
1703536962
1703536963
1703536964
1703536965
此对数似然函数存在一种标准形式，可以在模型给出所有参数限定条件下简单地取得极大值。这些参数存在于方差表达式和相关系数过程中。
1703536966
1703536967
然而，正如式（4-33）最后一行所显示的一样，对数似然函数可以分为两部分。前三项包含了方差参数和数据本身。后三项包括相关系数参数和经波动率调整后的数据
1703536968
1703536969
1703536970
1703536971
1703536972
在这里很自然地可以采取一种两步估计方法。第一步是极大化似然函数的方差部分。此情形的解决方法便是简单地计算针对每一个序列计算单变量GARCH模型。这些被认为可以在计算过程中独立进行。第二步是取第一步得到的标准化残差，并极大化有关相关系数参数的似然函数第二部分。这一步很明显取决于方差参数的估计值。这种两步估计法不同于全极大似然估计但更为简洁并具有一致性。事实上，在大多数情形中，它与全极大似然估计非常相似。式（4-33）的第四行显示了这两部分如何能被分解成良好界定的似然函数，并可以轻易地极大化。ε平方和这一项可以被忽略，因为它不取决于经优化处理的参数。
1703536973
1703536974
CCC模型的两步估计“版本”非常易于估计，因为条件协方差矩阵恒定，极大似然估计矩阵就是样本协方差矩阵
1703536975
1703536976
1703536977
1703536978
1703536979
如果方差并不完全一致，那么相关系数矩阵可能更为适合并被广泛使用。Bollerslev提出了一种波动率和相关系数联合估计方法，但两步法更简单并且具有一致性。稍后会提到极大似然估计和推断的更多细节。
1703536980
1703536981
式（4-9）中，DCC均值回复等式的两步估计方法也可以类似地完成：首先对资产逐个估计GARCH模型，然后用标准化残差作为数据基础极大化DCC模型的对数似然函数。相关系数矩阵的表达式为
1703536982
1703536983
1703536984
1703536985
1703536986
当上述式子用相关系数靶向法估计时，这就变成了三步估计方法。第一步，估计单变量GARCH模型。第二步，计算标准化残差的样本相关系数矩阵。第三步，运用限制条件
1703536987
1703536988
1703536989
1703536990
1703536991
或者
1703536992
1703536993
1703536994
1703536995
1703536996
并且极大化对数似然函数
1703536997
1703536998
1703536999
1703537000
1703537001
式（4-36）中的模型有2+（1/2）n（n-1）个参数，然而式（4-38）中的模型无论系统的变量数目有多少，仅仅只有2个参数。参数个数的大量减少得益于相关系数辅助估计方法的使用。采用非条件相关系数矩估计法，配合针对其他参数的极大似然估计方法，这样的估计方法就被称为相关系数靶向法。类似于经常在方差模型中使用的方差靶向估计法。这种估计方法的统计特性将会在第11章中专门分析，连同2步/3步估计法也一并介绍。在下一章，完整和均值回复模型的2步/3步极大似然估计法将从实证和蒙特卡罗法两种角度被检验。