R语言GARCH-DCC模型和DCC（MVT）建模估计

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。

由Kaizong Ye，Sherry Deng撰写

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。

视频

时间序列分析模型 ARIMA-ARCH GARCH模型分析股票价格数据

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

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：