打字猴:1.703538123e+09
1703538123
1703538124 因此,式(11-18)两边取非条件期望,得到差分方程,而这个方程可以解出得到Q的非条件表达式与多阶段预测值
1703538125
1703538126
1703538127
1703538128
1703538129 此模型中,相关系数定向并不像以往一样简单,但它更为准确,至少对较长的T是如此。可如下定义
1703538130
1703538131
1703538132
1703538133
1703538134 运用式(11-19)和式(11-20)取式(11-21)的非条件期望,给出一个矩条件
1703538135
1703538136
1703538137
1703538138
1703538139 用该式替代式(11-7)得出
1703538140
1703538141
1703538142
1703538143
1703538144 为了估计此模型,我们必须在最大化式(11-23)给出的似然函数和估计式(11-22)中收益的调整协方差间重复。
1703538145
1703538146 目前并不清楚这两种对DCC模型的调整有效程度如何,但有理由相信它们会有帮助。此外,当使用非对称模型或者方程式Q中引入外生变量时,这些效果显得更为重要。未来的研究将必须澄清这些问题。
1703538147
1703538148
1703538149
1703538150
1703538151 预见相关性:风险管理新范例 [:1703535739]
1703538152 预见相关性:风险管理新范例 11.3 DCC模型的渐进分布
1703538153
1703538154 Engle和Sheppard(2005b)在思考了首先估计方差接着估计相关系数的两步估计方法和相关系数定向的使用后,确立了DCC估计工具的渐进分布。事实上,最简单的做法便是把这种方法仅仅当作三步法:首先估计方差,其次是相关系数,最后是DCC参数。它是一种似极大似然估计,由于它没有假设潜在的条件分布是多元正态分布。此分布可能是在某些或所有方向存在胖尾的联合分布,只不过拥有由DCC过程正确给出的协方差结构。认识正确模型的一种有趣方法是用第2章中讨论过的亚高斯分布或者亚t分布copulas的方式。在此例子中,每个边际分布都可能是不同的并且拥有不同的尾部表现,但其连接函数是高斯过程或者是t分布,它借助同期股票间的相关系数,衡量了它们之间的相互依赖程度。
1703538155
1703538156 Engle和Sheppard(2005b)提出的定理1和2在一系列假设下确立了DCC模型的一致性和渐进正态性。这些定理本质上是广义距估计定理,只是没有过度识别矩条件,因为这是一种为多阶段估计工具证明结果的简单方法。这些假设中许多都是用于确保距是连续且趋近清晰极限的规范性条件。
1703538157
1703538158 让我详细说明其前提和结果。定理本身不需要新的证明,因为许多著作里已经介绍过(比方说,Newey和McFadden(1994);Wooldridge(1994);White(1984))。DCC模型由下式给出
1703538159
1703538160
1703538161
1703538162
1703538163 产生了三组参数ξ=(θ,ψ,φ),与方差模型、相关系数和DCC逐一对应。对数似然函数取决于它们三个,只是遵循一种相当特别的方式。t时刻观测值的似然函数可从式(4-34)中分离出来
1703538164
1703538165
1703538166
1703538167
1703538168 第一组矩条件由下式给出
1703538169
1703538170
1703538171
1703538172
[ 上一页 ]  [ :1.703538123e+09 ]  [ 下一页 ]