1703537630
这些多步预测可以转换成相关性的预测。这种预测不是相关性的无偏估计，而是预测协方差的无偏估计值与其中有关联的方差估计量的比值。对于资产1和资产2，即得到
1703537631
1703537632
1703537633
1703537634
1703537635
在因子ARCH模型中，可以看出是如何进行计算的。在这个模型中，协方差的多步预测的无偏估计是可以计算的，但是两个相似资产的相关性的预测是建立在式（8-3）的基础上。这种预期只有一个单独的统计作用：如市场、因素、方差。如果预期越高，则相关性就越大。
1703537636
1703537637
1703537638
1703537639
1703537640
这种模型预测相关性主要涉及预测前k期的市场方差。宏观经济因素在分析中要加以考虑，就像Engle等学者（2008b）的样条GARCH模型中研究的一样，我们将在下一节讨论它。如果经济可能有更严重的通货膨胀或经济衰退，市场波动性将会增加，如果对经济预测是稳定增长，那么金融市场的波动会减少。
1703537641
1703537642
1703537643
1703537644
1703537645
预见相关性：风险管理新范例 [:1703535730]
1703537646
预见相关性：风险管理新范例 9.1 预测
1703537647
1703537648
在DCC模型中，以式（9-4）为标准可以提出资产1和资产2的相关性计算如下式
1703537649
1703537650
1703537651
1703537652
1703537653
其中，
1703537654
1703537655
1703537656
1703537657
1703537658
依旧要注意其中的零均值过程
1703537659
1703537660
1703537661
1703537662
1703537663
如果K=1，那就没有必要考虑期望值了，若K>1则显然就没有式（9-6）中分子的期望分析了。将分子进行泰勒级数展开
1703537664
1703537665
1703537666
1703537667
1703537668
其中w为余数，则期望的表达式如下
1703537669
1703537670
1703537671
1703537672
1703537673
由于条件方差的预测是无偏的。代入式（9-6）得出
1703537674
1703537675
1703537676
1703537677
1703537678
因此，最优条件相关的预测将是预期相关性，只要一阶泰勒近似是足够准确。
1703537679