1703538023
他们称之为“方差定向（variance targeting）”由于它赋予方差协方差矩阵一个特殊且近似的值。这样的矩条件非常具有吸引力，因为无论模型式（11-1）是否被正确定义，它都将是一致的。为了获得剩余两个参数的估计方程式，式（11-2）需带入式（11-1）中，得
1703538024
1703538025
1703538026
1703538027
1703538028
那么此模型针对剩余参数可以用最大化似然函数的方法来估计。净结果是只需要2个而不是2+（1/2）n（n-1）个参数从非线性最大化条件中得到。当然，极大似然估计是一种渐进有效的估计方法而两步估计方法却不是。可是，如果正态假设无法满足，那么两种估计方法都是最大似然估计，且并不能确定那个相对有效。
1703538029
1703538030
仍然需要确定式（11-3）中估计参数的标准差。当然，并没有识别第一步估计值的传统估计方法很可能会过度估计了这些参数的准确性？我们接下来将会讨论。
1703538031
1703538032
1703538033
1703538034
1703538035
预见相关性：风险管理新范例 [:1703535738]
1703538036
预见相关性：风险管理新范例 11.2 相关系数定向
1703538037
1703538038
在DCC模型中，相关系数定向应用于均值回复模型的估计中。然而它只是一种近似估计，因为估计方程式是非线性的。式（4-36）显示
1703538039
1703538040
1703538041
1703538042
1703538043
并且由所有时期假设为大写T间求平均数
1703538044
1703538045
1703538046
1703538047
1703538048
其中S是标准化残差的样本协方差矩阵，因为全部变量都经波动率调整并且方差等于1。如果我们也假设
1703538049
1703538050
1703538051
1703538052
1703538053
那么
1703538054
1703538055
1703538056
1703538057
1703538058
这就被称为“相关系数定向”或者称为“一阶相关系数定向”。
1703538059
1703538060
经常可以观察到，尤其是在真实数据或者模拟过程中，α中存在着一种向下的偏误。这可能来自于式（11-6）的假设。
1703538061
1703538062
一个更好的近似，我们或许可以称之为“二阶相关系数定向”，可以由下式推导得出。可计算的相关系数矩阵Rt有下式给出
1703538063
1703538064
1703538065
1703538066
1703538067
并且它的平均数可以定义为
1703538068
1703538069
1703538070
1703538071
1703538072
由于R的定义具有非线性，R的均值不同于Q的均值。我们可以得出R的期望即是期望的非条件相关系数，S：