1703536945
预见相关性:风险管理新范例 4.4 DCC模型的估计
1703536946
1703536947
关于数据的特殊描述性假设一旦建立,DCC模型的估计就可以被用公式表示为最大似然问题。需要假设数据是多重变量正态分布,均值和协方差结构已知。幸运的是,估计方法是似最大似然估计(QMLE),某种意义上,如果均值和协方差模型被正确指定,它将具有一致性却没有有效性,即使其他分布假设存在错误。这是Bollerslev和Wooldridge(1992)的著作中提到的多元GARCH过程相关定理所推导的结果。这些模型的非高斯版本的全极大似然估计已经在一些论文中提出。
1703536948
1703536949
就像Bollerslev(1987)提出将t分布用于单变量收益一样,Bauwens和Laurent(2005)将多元斜交分布用于多元GARCH模型,Cajigas和Urga(2006)提出了一种拉普拉斯分布,Pelagatti(2004)采用了椭圆分布。一种基于高斯Copulas或者t分布Copulas的富有吸引力的非Gaussian联系分布,已经在第2章运用元分布讨论过,并可能提供了一种解决这些估计问题的简单可计算的方法。
1703536950
1703536951
为了精确地描述之前提到的模型,它将被全部重新梳理如下。
1703536952
1703536953
假设
1703536954
1703536955
1703536956
1703536957
1703536958
其中,α、β和(αi,βi)对所有i而言都是非负的,其总和小于1。
1703536959
1703536960
数据集{y1,…,yT}的对数似然函数可以写成
1703536961
1703536962
1703536963
1703536964
1703536965
此对数似然函数存在一种标准形式,可以在模型给出所有参数限定条件下简单地取得极大值。这些参数存在于方差表达式和相关系数过程中。
1703536966
1703536967
然而,正如式(4-33)最后一行所显示的一样,对数似然函数可以分为两部分。前三项包含了方差参数和数据本身。后三项包括相关系数参数和经波动率调整后的数据
1703536968
1703536969
1703536970
1703536971
1703536972
在这里很自然地可以采取一种两步估计方法。第一步是极大化似然函数的方差部分。此情形的解决方法便是简单地计算针对每一个序列计算单变量GARCH模型。这些被认为可以在计算过程中独立进行。第二步是取第一步得到的标准化残差,并极大化有关相关系数参数的似然函数第二部分。这一步很明显取决于方差参数的估计值。这种两步估计法不同于全极大似然估计但更为简洁并具有一致性。事实上,在大多数情形中,它与全极大似然估计非常相似。式(4-33)的第四行显示了这两部分如何能被分解成良好界定的似然函数,并可以轻易地极大化。ε平方和这一项可以被忽略,因为它不取决于经优化处理的参数。
1703536973
1703536974
CCC模型的两步估计“版本”非常易于估计,因为条件协方差矩阵恒定,极大似然估计矩阵就是样本协方差矩阵
1703536975
1703536976
1703536977
1703536978
1703536979
如果方差并不完全一致,那么相关系数矩阵可能更为适合并被广泛使用。Bollerslev提出了一种波动率和相关系数联合估计方法,但两步法更简单并且具有一致性。稍后会提到极大似然估计和推断的更多细节。
1703536980
1703536981
式(4-9)中,DCC均值回复等式的两步估计方法也可以类似地完成:首先对资产逐个估计GARCH模型,然后用标准化残差作为数据基础极大化DCC模型的对数似然函数。相关系数矩阵的表达式为
1703536982
1703536983
1703536984
1703536985
1703536986
当上述式子用相关系数靶向法估计时,这就变成了三步估计方法。第一步,估计单变量GARCH模型。第二步,计算标准化残差的样本相关系数矩阵。第三步,运用限制条件
1703536987
1703536988
1703536989
1703536990
1703536991
或者
1703536992
1703536993
[
上一页 ]
[ :1.703536944e+09 ]
[
下一页 ]