1703536652
预见相关性：风险管理新范例 [:1703535712]
1703536653
预见相关性：风险管理新范例 3.6 动态条件相关模型
1703536654
1703536655
关于CCC模型一个自然的一般化模型是Engle（2002a）提出的动态条件相关模型（dynamic conditional correlation），简称DCC模型。它遵循CCC模型同样的结构，但是允许相关系数变化而不是要求它们不变。这个模型以一组方程描述了一组随机变量的波动性，用另外一组方程描述了这组随机变量间的相关性。相关系数能够被解释为一个随机过程，这个随机过程没有考虑波动过程。可能的原因容易从式（3-4）中条件相关系数的定义和数学表达中看出。
1703536656
1703536657
如果y1和y2是两个0均值随机变量，那么它们之间的条件相关系数由式（3-2）定义。注意到这些随机变量能被写成它们的条件标准差和一个新的冲击项的乘积
1703536658
1703536659
1703536660
1703536661
1703536662
马上可以看到条件相关系数等于
1703536663
1703536664
1703536665
1703536666
1703536667
这些冲击在相关系数估计中起重要作用，因为它们包含了估计相关系数的所有有关信息。这些冲击称为标准化残差，或者波动调整（volatility-adjusted）收益率。它们的条件方差和无条件方差都为1，并且条件均值和无条件均值都为0。在各种情况下，这些条件矩的信息集与过去联合在一起。在某些情况下，一元方差模型必须以多元信息集来描述。这些标准化残差的交互乘积可以有非零均值，这些非零均值能通过数据的其他函数来预测得到。正是这种可预测性使得可以通过建模来得出时变条件系数。CCC模型中没有可预测性，因此条件相关系数是不变的。
1703536668
1703536669
与先估计协方差矩阵，然后从中计算条件相关系数不同，DCC模型利用了标准化残差并且直接估计相关矩阵。这使模型具有很大的灵活性。许多不同的参数已经被提出，但是它们都有一个相似的目标。在各个时期，关于波动调整收益率的新信息被用于更新相关系数的估计值。当收益率以同样方向变动时应该提高相关系数，而当收益率以相反方向变动时应该降低相关系数。这个过程将使相关系数恢复到平均值水平。也就是说，大的相关系数将趋于下降而小的相关系数会上升。这个过程也许被一些经济事件（如市场下滑）或者一些宏观经济变量所增强。
1703536670
1703536671
本书的余下部分将考察这个模型的计量经济学应用和经济学含义。许多扩展模型已经被有效利用在某些环境中。这个模型对于大规模（large-dimension）问题的适用性是非常有趣的并且它预测相关系数的能力将会被考察。
1703536672
1703536673
1703536674
1703536675
1703536676
预见相关性：风险管理新范例 [:1703535713]
1703536677
预见相关性：风险管理新范例 3.7 可替代方法和扩展数据集
1703536678
1703536679
本书的剩下部分将重点讨论DCC模型和它的一些最重要的扩展形式。然而对这个方法的审视工作依然远没有完成。有许多令人感兴趣的新方法被发展起来用于为相关性建模。其中一些方法使用了新的具有灵活性的函数形式。另一些方法使用了新的数据集，特别是一些方法使用了内部日常数据（intradaily data）。这些包括以日变化统计量、已实现的波动性和相关系数为基础的模型。
1703536680
1703536681
Nigfuez和Rubia（2006）说明了长记忆（long-memory）波动过程能一般化到多元情况。Asai等（2006）考察了多元随机波动模型的应用。Chib等（2006）、Yu和Meyer（2006）论证了对于大型系统的可行性。Andersen等（2005）讨论了利用已实现的波动性和相关系数的方法。Hafner等（2006）详细介绍了一个半参数方法。他和Terasvirta（2004）考虑了一类将不变条件相关模型一般化的多元GARCH模型。Audrino和Barone-Adesi（2006）、Ledoit等人（2003）、Ledoit等人（2003）、Ledoit和Wolf（2003）以及Dellaportas和Vrontos（2007）介绍了一些模型，这些模型将静态和动态模型结合在一起给出了一个本质上收缩风格估计量。Bekaert和Harvey（1995），Gallo和Ortanto（2007）考察了一些相关系数的结构转换（regime-switching）模型。Braun等（1995）构建了基于指数GARCH（EGARCH）的模型和一个关于条件β系数的伴随模型（companion model）。Storti（2008）介绍了一个双线性GARCH模型的多元形式。Kawakatsu（2006）和Caporin（2007）介绍了一个指数模型，这个指数模型中的方差对相关系数的预测有影响。Christodoulakis（2007）参数化了协方差矩阵的Cholesky因式分解。Palandri（2005）将一个相关矩阵分解成偏相关系数的一个组合，这个组合可以被参数化。McAleer和Da Veiga（2008）利用他们称为的一个“溢出效应”（a spillover effect）为协方差进行了建模。Rosenow（2008）说明了如何用随机矩阵理论来理解相关矩阵的样本分布和估计主成分的最优数量以及新类别的多元GARCH模型。Harris等（2007）构建了一些简单的一元投资组合模型来推断整个协方差矩阵。
1703536682
1703536683
1703536684
1703536685
1703536686
预见相关性：风险管理新范例 [:1703535714]
1703536687
预见相关性：风险管理新范例 第4章 动态条件相关系数模型
1703536688
1703536689
DCC模型的规范阐述和估计大致需要三个步骤。第一步，必须估算出波动率，用以构造标准残差或者经波动率调整的收益。这被称作对数据进行“去GARCH”处理。第二步，基于标准残差，以动态形式估计似相关系数。第三步，将以上估计出的似相关系数矩阵重新调整为真正的相关系数矩阵。这三个步骤将会在本章依次介绍。而估算方法将会作为整体被介绍。
1703536690
1703536691
1703536692
1703536693
1703536694
预见相关性：风险管理新范例 [:1703535715]
1703536695
预见相关性：风险管理新范例 4.1 去GARCH化
1703536696
1703536697
前一章介绍的DCC模型，以标准残差矩阵和相关系数矩阵的常见形式，表示收益序列的协方差矩阵
1703536698
1703536699
1703536700
1703536701