1703537557
这3个估计量的横截面标准差是令人感兴趣的，它们显示在图8-5中。从图中可以清楚看出DCC模型的相关系数不同于这两个因子模型。也许这并不让人感到奇怪，因为在因子模型中，构成因子的成分对于所有成对数据是相同的，但是在DCC模型中每对数据有自己的时间序列。因此，因子双重模型随时间更不稳定，而DCC模型在横截面上更不稳定。模型的这些特性是好是坏还有待验证。
1703537558
1703537559
1703537560
1703537561
1703537562
图8-5 截面数据因子相关系数的标准差
1703537563
1703537564
8.2.3 因子DCC模型
1703537565
1703537566
如上所述，因子DCC模型无非是从遵循式（8-10）设定的因子双重ARCH模型的残差中估计了一个DCC模型。MacGyver方法用于估计这个DCC模型的参数。中位数α=0.009，同时中位数β=0.925。这两个数字的和比DCC估计的简单收益率更不一致；因此相关系数的变化过程持续性要低些，因为a更小且更加稳定。
1703537567
1703537568
如果单因子模型是适当的，因子双重ARCH模型的残差应该在条件和无条件情况下都不相关。关于这些残差，DCC模型不能发现任何东西。图8-6显示了平均残差相关系数和它的横截面标准差。
1703537569
1703537570
1703537571
1703537572
1703537573
图8-6 因子DCC模型估计的相关系数残差的均值与标准差
1703537574
1703537575
残差的平均相关系数很小，在横截面成对数据上平均为0.01。它在样本中部上升，但仅仅上升到0.04。然而，尽管因子模型的横截面标准差没有上升这么多，但是与DCC模型的截面标准差数量级相同。所以虽然平均相关系数较小，但是它的横截面变动性较大。
1703537576
1703537577
当这些残差相关系数被应用到条件相关系数的计算中，对于一些成对数据，结果会发生大的变化，而对于许多其他成对数据，结果却非常小。事实上，平均相关系数看起来几乎与因子双重ARCH相同。然而，其横截面的离散程度更大。图8-7显示了因子DCC模型的横截面标准差。
1703537578
1703537579
在图8-8至图8-10这几个例子中可以容易看出这些差异的原因。同行业的股票的异质冲击是相关的。因子DCC方法将异质相关系数纳入到了相关系数估计中。如果这些相关系数不变，那么这种修正是静态的，但是如果它是动态的，那么一个随时间变化的修正会由因子DCC方法自动生成。图8-8至图8-10显示了国际纸业和卡特彼勒公司、默克公司和强生公司、可口可乐公司和飞利浦公司间相关系数估计值。
1703537580
1703537581
1703537582
1703537583
1703537584
图8-7 因子模型估计的相关系数截面标准差
1703537585
1703537586
1703537587
1703537588
1703537589
图8-8 国际纸业公司与卡特彼勒公司股价之间的相关系数
1703537590
1703537591
1703537592
1703537593
1703537594
图8-9 默克公司与强生公司股价间的相关系数
1703537595
1703537596
1703537597
1703537598
1703537599
图8-10 奥驰亚集团与可口可乐公司股价间的相关系数
1703537600
1703537601
1703537602
1703537603
1703537604
预见相关性：风险管理新范例 [:1703535729]
1703537605
预见相关性：风险管理新范例 第9章 预测相关性
1703537606