1703537158
1703537159
如何解读该事件对理解为什么相关系数随时间变化非常重要。一个相对稳定的因素突然变得不稳定了。结果，所有对此因素敏感的公司会具有波动更大且联系更为紧密的收益。这可以被理解为因子模型中一个被遗忘的因素；可是，总会存在着被遗忘的因素。因此不可能增添这样一个因素；更好的做法是动态测量相关系数，这样，被遗忘的因素便不会损害我们金融决策的制定。
1703537160
1703537161
现在我们挑选一组相同抽样期的大盘股数据集，采用均值回复DCC模型。在这个数据集中，模型被分别拟合于每一对股票，然后估计结果被整合到一个系统之中，这需要用到MacGyver方法，第6章将会讨论。
1703537162
1703537163
这些股票包括美国运通公司（AXP）、波音公司（BA）、迪士尼公司（DIS）、通用电气公司（GE）、通用汽车公司（GM）以及JP摩根（JPM）。它们代表了美国经济的诸多领域。结果被显示在图5-10中。作为比较，图5-11显示了同样股票数据集的100日历史相关系数。
1703537164
1703537165
1703537166
1703537167
1703537168
图5-10 DCC相关系数
1703537169
1703537170
1703537171
1703537172
1703537173
图5-11 100天历史数据相关系数
1703537174
1703537175
相关系数的模式在股票间差异明显。其中一些十年期间基本上在增长，而其他一些则在互联网泡沫期间急剧下降。比方说，金融股AXP、JPM和GE自始至终互相间的相关系数都在增长，在2003年几乎达到0.8。另一方面，波音公司、迪士尼、通用电气、美国运通和J.P.摩根间的相关系数1997年前持续上升，而之后则出现下降，变成0或者小幅出现负值。在互联网泡沫破灭时期，这些股票同其他股票基本上不相关，相互之间也是如此。
1703537176
1703537177
这些相关系数的移动模式似乎是均值回复的，某种意义上，最终将会出现逆转的移动。这只是一次简单的观察，并不意味着相关系数的其他移动模式也会出现逆转的状况。
1703537178
1703537179
最终，这些估计结果被用于构建条件贝塔。一只股票的条件贝塔是指与市场指数的条件协方差除以市场指数的条件方差。
1703537180
1703537181
这对于股票i和标普500指数而言很容易计算，即
1703537182
1703537183
1703537184
1703537185
1703537186
图5-12给出了均值回复DCC模型估计的条件相关系数结果。可以看出，它们都出现了随时间显著的上下起伏。估计值在1的上下起伏，但常常低于1。波音和迪士尼的贝塔值在1998~2000年出现了明显的下降，与此同时其他股票的贝塔值出现了小幅但并不持久的下降。通用汽车的贝塔值从1995年起持续下降，并且从未真正地恢复。抽样期末尾，数个贝塔值出现下降，因为市场波动率下降，然而其他股票的贝塔值却上升了。
1703537187
1703537188
运用最近的数据能计算贝塔的估计值，而该贝塔值会跟下一期相关。如果贝塔会迅速往均值回复，那它可能与资产定价无关，却可能仍然与风险管理和对冲避险有关。可是，如果贝塔存在结构性变化或者均值回复只是缓慢发生的，那么也会对资产定价提供重要的暗示信息。
1703537189
1703537190
1703537191
1703537192
1703537193
图5-12 DCC模型得出的贝塔
1703537194
1703537195
本章已经描述了动态条件相关性的基本模型。运用这些模型的实证方法已经在蒙特卡罗试验和实际数据环境中都得到证实。结果的质量和方法的简易性都已有足够的承诺。仍然有待于说明这些方法可以如何优化金融决策，以及如何扩展这些方法到更丰富的表达式和更庞大的数据环境中。
1703537196
1703537197
1703537198
1703537199
1703537200
预见相关性：风险管理新范例 [:1703535722]
1703537201
预见相关性：风险管理新范例 第6章 MacGyver方法
1703537202
1703537203
估计大型系统的相关系数矩阵的问题似乎在前面的章节中得到解决。但是有三个原因使我们相信问题并没有得到充分的解决。第一，对数似然函数的求值需要矩阵的逆转，Rt是包含每个观测值的n×n的矩阵。为了最大化似然函数，必须估计包含许多参数值的对数似然值并因此旋转大量的n×n矩阵。收敛是不能被保证的，有时它会失效或者对于初始值过于敏感。这些数值问题当然可以被减轻但是最终对于巨大的n，数值问题将占据主导地位。第二，Engle和Sheppard（2005b）利用模拟数据发现在正确的指定模型中，当n较大同时T只是比n稍微大一点的时候，α是向下偏差的。因此当越多的资产被考虑进去时，相关系数的估计就越平滑，变量就越少。第三，在相关性中可能还有未被这个规范所包含的结构。这个当然是由有问题的经济数据造成的，而在第8章有关DCC因子模型的介绍中回答这个问题。
1703537204
1703537205
在这部分中我将介绍一种新的估计方法，旨在解决前两个问题和部分后一个问题。我将它称作MacGyver方法，就像老电视节目中的主角MacGyver一样运用手中任何东西来巧妙地解决问题。该节目庆祝的是脑力高于体力的胜利。
1703537206
1703537207
MacGyver方法是建立在相关系数的二元估计基础上。假定选定的DDC模型正确地选择了每一对资产i和j。因此相关系数的计算公式可以表示为