最早做一元garch模型刻画风险主要做误差分布的修改，从norm-(s)t-(s)ged等，然后计算var与es。
通过回测来进行验证。
同时刻画金融时间序列的特征。报告尖峰后尾，长记忆性，杠杆差异等。
后面到多元时间序列，研究多元garch，包括bekk-garch，ccc-garch，dcc-garch，vesh-garch等。
但是多元garch有一个很大的问题，维数灾难。感觉只要是做过多元garch都有这个体会。
大多数做多元garch是2维，3维。3维以上就很少了。我个人感觉多元garch做二维就还好，超过二维
很多东西难以解释。维数过高，造成的最大问题就是估计结果不好，最后无法解释输出参数。
而后，我就一直在想一个问题。
对于一元的garch族模型，我是信服的。通过大量的实证，也可以发现其对现实世界的刻画是非常成功。
关于高维的garch，其实我是抱有一些疑问的。所以我想这就是其流行度不足的原因之一。
=============================================================
因此我想是不是可以先做一元估计，然后再联立。说来可笑，当时学识浅薄，并未真正理解dcc与copula模型。
所以说大佬就是大佬，能想到的都想到了。
dcc是在garch基础上进行的联立，估计时变的协方差矩阵。engel(2002)
而后学习到copula，通过简单的定义，可以一个联合分布可以由边缘分布的累乘再乘一个copula函数。说实话，
当我第一次看到这个概念的时候有点懵，我以为我看错了。第一意识是，如果联合分布能够由边缘分布的累乘出发，
那么证明其是独立。后面看了几次，终于相同，c函数存在的意义就是提取边缘分布的相关性。因此copula的提出不仅
仅仅是对garch族模型的改进，其是对整个联合分布的改进，相当于个概率世界添加了一个新的工具。
=============================================================
最近很火的covar，mes等风险测度。很多都是经copula-garch进行计算。
所以我最近也简单了解了一下，大量文献是进行两步估计：
1.估计边缘分布。本质上相当于建立一元模型，实证中以garch模型为主
2.选取多种copula函数进行对比分析，进行特征研究。
那么关于联合分布有了，进行一些衍生风险值的研究就简单了。