1703536583
预见相关性:风险管理新范例 3.5 正交GARCH模型
1703536584
1703536585
这个模型的一个普遍特征是假定变量的一个非奇异线性组合有一个CCC结构。通常还会假定相关矩阵满足等式R=I。假设存在一个矩阵P,具有特征
1703536586
1703536587
1703536588
1703536589
1703536590
很明显在这个模型中,尽管Py是一个CCC模型,但y不是一个CCC模型。条件相关矩阵表示为
1703536591
1703536592
1703536593
1703536594
1703536595
它是随时间变化的(time varying)。如果矩阵P和D互换,那么这个矩阵不再取决于Dt,因此它将不随时间变化(time invarying)。一般来讲,P和D不会互换,除非P本身是对角矩阵。所以式(3-25)实际上是P潜在估计的参数的一般化表达式。
1703536596
1703536597
这个估计量的一个自然形式是规定P是三角矩阵。不失一般性,能够选择矩阵P的元素来使线性组合的无条件协方差矩阵成为对角矩阵。因此,无条件相关矩阵是单位矩阵。这是协方差矩阵的Cholesky因式分解。它很容易通过最小二乘回归来计算。也就是说,将y2对y1回归,y3对y1和y2回归,如此等等。通过构造的这些方程间的残差是不相关的。这个模型现在可以更准确表示为
1703536598
1703536599
1703536600
1703536601
1703536602
接下来的假设是条件协方差矩阵是具有对每个序列是一元GARCH形式的对角矩阵。这个假设是这个方法的核心。它等同于假设变量的线性组合是一个如式(3-25)中的CCC模型。因为非条件协方差矩阵是对角矩阵,所以它满足R=I。式(3-27)中计算的每个残差序列被看做一个GARCH过程并且它的条件方差是估计的。数学上,这可以表示为
1703536603
1703536604
1703536605
1703536606
1703536607
那么,最终的协方差矩阵重新表示为
1703536608
1703536609
1703536610
1703536611
1703536612
这个模型的这个形式被称作OGARCH模型(orthogonal GARCH),它得到广泛使用并且由Alexander(2002)、Alexander和Barbosa(2008)推广。同前面一样,假定对角条件方差是一个一元GARCH模型。这个方法形式上与式(3-28)和式(3-29)相同,但是对应于P的不同选择。在这种情况下,P-1是无条件协方差矩阵的特征向量矩阵。随机变量Py被称为y的主成分。
1703536613
1703536614
1703536615
1703536616
1703536617
假定条件协方差矩阵简单表示为
1703536618
1703536619
1703536620
1703536621
1703536622
其中每个成分服从一个一元GARCH过程。无条件协方差矩阵是
1703536623
1703536624
1703536625
1703536626
1703536627
1703536628
一个紧密相关且受Alexander青睐的选择是,一开始将y转变成具有单位方差,以便于特征向量和主成分现在能由条件相关矩阵计算。不失一般性,相关矩阵的特征向量能够被找到并且表示为。也就是
1703536629
1703536630
1703536631
[
上一页 ]
[ :1.703536582e+09 ]
[
下一页 ]