最近我们被客户要求撰写关于GARCH的研究报告，包括一些图形和统计输出。
这个简短的演示说明了使用rmgarch软件包的DCC模型及其方法的使用，尤其是在存在MVT分布形状参数的情况下进行2级DCC估计的另一种方法。
第一阶段并将其传递给dccfit
可下载资源
cl = makePSOCKcluster(10)
multf = multifit(uspec, Dat, cluster = cl)接下来，估计DCC模型。
普通的模型对于两个序列的波动分析一般是静态的，但是dccgarch模型可以实现他们之间动态相关的波动分析，也就是说他们之间的波动不是一个常数，而是一个随着时间的变化而变化的系数。
1.首先之所以要把序列取对数，是因为有的有关经济的时间序列不是平稳的。只有平稳的时间序列我们才能在此基础上建模，为了使不平稳的时间序列变得平稳，我们通常对序列取对数收益率，并且进行差分处理，使序列变得平稳。
2.然后建立arch模型，对残差进行arch效应检验。
3.确认有arch效应后做单变量garch模型，即garch(1,1)的模型。当然也可以用arima模型确认阶数，但是计量经济学上好像一般都是做garch(1,1)，然后再做dcc模型。
4.做dcc模型，当α+β的值小于1时，模型可用。
fit1 = dccfit(spec1, data = Dat, fit.control = list(eval.se = TRUE), fit = multf, cluster = cl) 为了在实践中拟合DCC（MVT）模型，要么假定第一阶段的QML，要么必须在阶段中共同估算共同的形状参数。在下面的示例中，一种替代方法用于估计近似共同形状参数。
似然度和形状参数变化的图表明，只需几次迭代即可收敛到稳定值。
shape参数的值表示峰度为1.06。对非对称DCC（MVT）模型重复进行拟合。
xspec = ugarchspec(mean.model = list(armaOrder = c(1,1)),
variance.model = list(garchOrder = c(1,1),
model = "eGARCH"), distribution.model = "norm")
下表显示了估算模型的摘要，系数旁边的星号表示显着性水平（*** 1％，** 5％，* 10％）。
## DCC-MVN aDCC-MVN DCC-MVL aDCC-MVL DCC-MVT aDCC-MVT
## a 0.00784*** 0.00639*** 0.00618*** 0.0055*** 0.00665*** 0.00623***
## b 0.97119*** 0.96956*** 0.97624*** 0.97468*** 0.97841*** 0.97784***
## g 0.00439 0.00237 0.00134
## shape 9.63947*** 9.72587***
## LogLik 22812 22814 22858 22859 23188 23188下图表说明了来自不同模型的一些动态相关性：
终止集群对象：
stopCluster(cl)
Python混合注意力机制-多变量-LSTM神经网络分析PM2.5、光伏电站、温度时间序列数据及RNN、ARIMAX、XGT、随机森林对比
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
Python、R循环神经网络RNN、指数平滑ETS、ARIMA模型预测网络流量、ATM机取款、旅游需求时间序列数据
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
