1703537030
1703537031
阶梯状，ρt=0.9-0.5（t>500）
1703537032
1703537033
斜坡状，ρt=mod（t/200）
1703537034
1703537035
为了完善该表达式，波动率和相关系数的表达式如下。
1703537036
1703537037
1703537038
1703537039
1703537040
一次试验中，ε满足4个自由度的t分布。其中一个序列基本保持不变，而另一个则相反。每次重复试验模拟1000个观测值，对应了大约4年的日数据。从以日数据角度观察，这是一个平稳的时间序列。200次重复试验基本涵盖了各种情形。
1703537041
1703537042
7种不同的方法被用于估计相关系数：两种多元GARCH模型，正交GARCH模型，均值回复DCC模型，RiskMetrics采用的指数平滑方法以及常见的100日移动平均模型。第3章已对多元GARCH模型进行了更为详细的介绍。正交GARCH方法则由一组GARCH回归模型实现。
1703537043
1703537044
1703537045
1703537046
1703537047
标量多元波动性模型（scal BEKK）：带有方差定向的式（3-11）的标量形式。
1703537048
1703537049
对角式多元波动性模型（diag BEKK）：带有方差定向的式（3-9）的对角阵形式。
1703537050
1703537051
DCC INT：针对一个综合过程的动态条件相关系数模型。
1703537052
1703537053
DCC MR：带有均值回复性质的动态条件相关系数模型。
1703537054
1703537055
MA 100：100日的一个移动平均过程。
1703537056
1703537057
OGARCH：如式（5-2）的正交GARCH模型。
1703537058
1703537059
EX0.06：参数为0.06的指数平滑模型。
1703537060
1703537061
表5-1显示了七种估计方法在六种试验条件下200次重复所得到的平均绝对误差的结果。在2/3的情形中，DCC均值回复模型具有最小的平均绝对误差。将所有情形所得误差相加总，此模型是表现最好的一个。排名非常靠近的第二、第三位的模型分别是综合DCC模型和标量多元波动性模型。有趣的是，当条件相关系数为常数时，均值回复模型表现并不如综合模型，当相关系数存在一次阶梯跳跃时，表现最好的是移动平均模型。几个模型估计相关系数得到的平均绝对误差在常数情形条件都非常小，而所有模型在高频正弦试验中所得误差都是各自的最大值。
1703537062
1703537063
表5-1 相关系数估计值的平均绝对误差（MAE）
1703537064
1703537065
1703537066
1703537067
1703537068
图5-2显示了各个试验所得平均绝对误差的总和。因而高度衡量了各种模型平均表现。表现最好的模型自然是均值回复DCC模型，其次是综合DCC模型。Engle（2002a）认为，其他众多的诊断标准也应用于判断这些估计方法的优劣，而最后发现DCC方法在真实数据和虚拟数据中都展示了良好的性能。
1703537069
1703537070
1703537071
1703537072
1703537073
图5-2 相关系数估计值的平均绝对误差（MAE）的概括
1703537074
1703537075
1703537076
1703537077
1703537078
预见相关性：风险管理新范例 [:1703535721]
1703537079
预见相关性：风险管理新范例 5.2 实证表现