epoh老师，通过你贡献的关于GARCH-DCC的材料，我对这个模型有了更多的了解；我用STATA12也能做GAECH-DCC模型来，可能仅参数的名称不大一样吧。请问epoh老师是否知道如何在STATA12中计算出rho12来？

抱歉,我没使用STATA12.

太牛了！学习学习！

老师您太牛了！请问WINRATS可以对DCCGARCH系数进行线性检验吗？

不顶不行！

您好能帮我看看这个程序又什么问题么  为什么matlab总是提醒我：Line: 1 Column: 89
"identifier" expected, "end of line" found.

方便的话,请把数据上传

是残差序列吧？这个里面00是大盘的   其他的是个股的



我昨天用winrats 8 根据您这个帖子的说明  分别作了大盘和每个个股的DCC模型参数
但是现在想不通这个估计得到的DCC（1）DCC（2） 是什么意义呢？是他们的和是代表大盘和每个个股的动态相关系数么？

另外我是想接下来用copula做这些资产形成一个组合的定价。。。
思路有点混乱。。。还需要做个股之间的DCC参数么？
最后是要生成一个系数矩阵的意思？   我凌乱了。。。。

open data urmine.xls
data(format=xls,org=columns) 1 729 resid00 resid01 resid03
*
set resid00 = 100.0*resid00
set resid01 = 100.0*resid01
set resid03 = 100.0*resid03

*
garch(p=1,q=1,mv=dcc)  / resid00 resid01 resid03


MV-GARCH, DCC - Estimation by BFGS
Convergence in    48 Iterations. Final criterion was  0.0000066 <=  0.0000100
Usable Observations                       729
Log Likelihood                     -2226.4910

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                       0.007713085  0.022532807      0.34230  0.73212164
2.  Mean(2)                       0.011313622  0.038977702      0.29026  0.77161823
3.  Mean(3)                      -0.008407046  0.025640808     -0.32788  0.74300422
4.  C(1)                          0.013311717  0.006240134      2.13324  0.03290488
5.  C(2)                          0.079973553  0.030946165      2.58428  0.00975826
6.  C(3)                          0.036395521  0.012449371      2.92348  0.00346139
7.  A(1)                          0.044267922  0.011792275      3.75398  0.00017405
8.  A(2)                          0.045574436  0.015177839      3.00270  0.00267600
9.  A(3)                          0.081502870  0.022667539      3.59558  0.00032367
10. B(1)                          0.924804167  0.022655201     40.82083  0.00000000
11. B(2)                          0.887524398  0.035557204     24.96047  0.00000000
12. B(3)                          0.865574026  0.034505874     25.08483  0.00000000
13. DCC(1)                        0.052570048  0.011204415      4.69190  0.00000271
14. DCC(2)                        0.903328915  0.020914550     43.19141  0.00000000

嗯嗯 谢谢！  这个是00 01  03  三个的DCC系数估计吧？我对这个DCC参数的意义有点不明白

请问这个估计出来之后 如何做出来三元正态copula的相关系数矩阵呢？多谢啊。。好人~

有点搞不清楚DCC的参数估计出来 与 估计copula参数的关系   

现在有三个的DCC参数估计出来了

是需要用对数收益率的序列 还是 残差的序列 进行积分变换后 再用matlab得到copula的参数呢？

感激涕零

建议你下载Dynamic Copula Toolbox 3.0
先看一下Dynamic copula toolbox.pdf page 15/25
是不是适合你
Table 6 contains the estimated parameters from three elliptical copulas,
namely the static t copula (t), the time varying t (tDCC) and Gaussian (GDCC)
copulas. In both time varying copulas the time varying parameters is the correlation
that follows the DCC model of Engle

多谢啊  我学习了  并且跟着步骤在matlab里面运行

但是总是提示一些函数未定义之类的情况 好头疼。。

您能帮我看下这三个对数收益率的时间序列如何用那个动态copula工具箱做出来copula的相关系数矩阵么？

fitModel(specM, data, 'fminunc')
??? Error using ==> optimset
Unrecognized parameter name 'Algorithm'.

Error in ==> G:\MATLAB\Matlab6p5FULL\toolbox\Dynamic Copula Toolbox 3.0\fitModel.m
On line 55  ==>         options = optimset('Algorithm','interior-point','Display','iter','MaxFunEvals',9000,'MaxIter',1000,'TolCon',10^-12,'TolFun',10^-4,'TolX',10^-5,'FinDiffType','central');

我的matlab是6.5的免安装版  我看pdf里面说  The toolbox is tested on MATLAB R2008B
and it uses the optimization toolbox and statistics toolbox from Mathworks

是因为我缺了这两个工具箱么？

刚看了下,可能Dynamic Copula Toolbox 2.0更适合你
因为内含datafiles
pdf文件就是依datafiles作出的结果解释

matlab我是用R2008a,不敢用太新但也不能用太旧.
当然要安装optimization toolbox and statistics toolbox

底下程序先供你参考,
你可依自己需要的模型,设定不同条件比较.
%%%%%
load datafiles
[residuals, UnResiduals,GARCHspec,likelihoods]=filtReturnsGARCH(returns,'Gaussian','GJR', 'CML');

CopulaSpec=setCopulaLLinputs(4)

[CopParams, LogL, StrOutput]=fitCopula(UnResiduals, CopulaSpec)

Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00032691     0.00012645       2.5853
       AR(1)    0.00011514     0.023314         0.0049
           K    2e-007         8.9257e-008      2.2407
    GARCH(1)    0.95709        0.0063649      150.3692
     ARCH(1)    0.04371        0.0070396        6.2091
Leverage(1)    -0.010519      0.008316        -1.2649

  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    4.7617e-006    0.00012353       0.0385
       AR(1)    0.077937       0.022647         3.4414
           K    4.2585e-007    8.6719e-008      4.9107
    GARCH(1)    0.93431        0.0066265      140.9954
     ARCH(1)    0.078813       0.0064585       12.2030
Leverage(1)    -0.048788      0.010224        -4.7721

  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00011945     8.2982e-005      1.4395
       AR(1)    0.079255       0.022893         3.4620
           K    2e-007         5.3109e-008      3.7658
    GARCH(1)    0.93251        0.0097878       95.2721
     ARCH(1)    0.075452       0.012664         5.9583
Leverage(1)    -0.038818      0.015887        -2.4433

  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00013388     0.00012809       1.0452
       AR(1)    0.030993       0.022945         1.3507
           K    4.3695e-007    1.1277e-007      3.8748
    GARCH(1)    0.93146        0.0088601      105.1290
     ARCH(1)    0.027703       0.012464         2.2226
Leverage(1)    0.058278       0.014354         4.0600


CopParams =

    0.0318
    0.9595


LogL =

  802.6348

做到最后一步出现了这个问题：我也是4个对数收益率序列的

>> [CopParams, LogL, StrOutput]=fitCopula(UnResiduals, CopulaSpec)
the parameters vector is a 2x1 vector.
Undefined function 'inputstartinvals' for input arguments of type 'struct'.

Error in fitCopula (line 134)
    startinvals=inputstartinvals(CopulaSpec,defvals);

data=xlsread('suanli.xls');
data=data*100;
[residuals, UnResiduals,GARCHspec,likelihoods]=filtReturnsGARCH(data,'Gaussian','GARCH', 'CML');

CopulaSpec=setCopulaLLinputs(3)

[CopParams, LogL, StrOutput]=fitCopula(UnResiduals, CopulaSpec)


  Mean: ARMAX(0,0,0); Variance: GARCH(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 4

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    -0.034553      0.03632         -0.9513
           K    0.069842       0.02367          2.9507
    GARCH(1)    0.86663        0.032881        26.3568
     ARCH(1)    0.075959       0.01989          3.8189

  Mean: ARMAX(0,0,0); Variance: GARCH(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 4

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.058345       0.056334         1.0357
           K    0.21354        0.064157         3.3284
    GARCH(1)    0.81641        0.04019         20.3136
     ARCH(1)    0.11125        0.02779          4.0031

  Mean: ARMAX(0,0,0); Variance: GARCH(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 4

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00035568     0.046248         0.0077
           K    0.078873       0.030055         2.6243
    GARCH(1)    0.87508        0.03086         28.3560
     ARCH(1)    0.088385       0.02145          4.1205

CopulaSpec =

             ll: 'copula'
           type: 'Gaussian'
        depspec: 'DCC'
      optimizer: 'fmincon'
    derivatives: 'on'

the parameters vector is a 2x1 vector

                                Max     Line search  Directional  First-order
Iter F-count        f(x)   constraint   steplength   derivative   optimality Procedure
    0      3     -171.578      -0.0042                                         
    1     10     -173.667     -0.01622       0.0625         52.5    1.02e+003   
    2     17      -178.15     -0.05735       0.0625         37.2          244   
    3     20     -178.351     -0.05322            1      -0.0512         14.9   
    4     23     -178.421     -0.04846            1       -0.027         2.96   
    5     26     -178.429     -0.04695            1      0.00108        0.254   
    6     29     -178.429     -0.04709            1    3.03e-006       0.0363   
Optimization terminated: magnitude of directional derivative in search
direction less than 2*options.TolFun and maximum constraint violation
  is less than options.TolCon.
No active inequalities.
succesfull optimization!

CopParams =

    0.0472
    0.8774


LogL =

  178.4292

实在是太感谢了   呜呜。。。。没接触过编程。。论文急用。。

太好人了   

大神  我想请问

用上证综指和上证债指的对数收益率序列  希望能够得到股票市场与债券市场之间的动态相关性
但是做出来的DCC系数很不对劲
7.  DCC(1)                       -7.1026e-014       0.0299 -2.37273e-012  1.00000000
8.  DCC(2)                             0.0166       0.1898       0.08764  0.93016246

怎么解释呢？引进的直接就是两个指数的对数收益率序列了

的确是不对,
方便的话上传数据,我跑看看

这个是原始数据 有每天的收盘价  和对数收益率序列   麻烦了  

呵呵,数据关系,顶多如此,可能不适合DCC MODEL
open data stock_bond.xls
data(format=xls,org=columns) 1 729 stock bond
*
set stock = 100.0*stock
set bond = 100.0*bond


*

GARCH(P=1,Q=1,MV=DCC,DIST=T,NOMEAN,METHOD=BFGS,PMETHOD=SIMPLEX,PITERS=10) / STOCK BOND

MV-GARCH, DCC - Estimation by BFGS
NO CONVERGENCE IN 42 ITERATIONS
LAST CRITERION WAS  0.0000000
SUBITERATIONS LIMIT EXCEEDED.
ESTIMATION POSSIBLY HAS STALLED OR MACHINE ROUNDOFF IS MAKING FURTHER PROGRESS DIFFICULT
TRY HIGHER SUBITERATIONS LIMIT, TIGHTER CVCRIT, DIFFERENT SETTING FOR EXACTLINE OR ALPHA ON NLPAR
RESTARTING ESTIMATION FROM LAST ESTIMATES OR DIFFERENT INITIAL GUESSES MIGHT ALSO WORK
Usable Observations                       729
Log Likelihood                       773.8323

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  C(1)                         0.1314733863 0.0325224446      4.04254  0.00005287
2.  C(2)                         0.0000188705 0.0000092710      2.03543  0.04180810
3.  A(1)                         0.0584092539 0.0267457363      2.18387  0.02897168
4.  A(2)                         0.0707581392 0.0170285604      4.15526  0.00003249
5.  B(1)                         0.6177495758 0.0621746840      9.93571  0.00000000
6.  B(2)                         0.9183814990 0.0168506521     54.50124  0.00000000
7. DCC(1)                       0.0000000000 0.0198162576 1.49057e-013  1.00000000
8.  DCC(2)                       0.9763070167 0.0666614112     14.64576  0.00000000
9.  Shape                        6.9749294610 0.8521048916      8.18553  0.00000000

呜呜  悲剧了  我感觉我的论文直接被颠覆了。。。得重新找找思路了。。。。。。。我本来是想通过分析股票与债券市场之间的动态相关性  从而将几个债券作为信用资产 形成信用资产组合来定价  由股价的波动来影响信用资产组合的相关性

那现在股票市场与债券市场没有动态相关性的话  怎么理清这个思路嘞。。。


真心感谢您的热心帮忙   撒花

我这么想对不对  既然股票市场和债券市场没有动态相关性  
根据莫顿的结构是模型
分开考虑一个公司的股票和债券
由股票市场得到公司间的动态相关性
债券信用方面是另一套相应规则（如评级影响违约  是针对个体方面）
从来来为信用资产组合定价。。。

未必吧,
数据期间调整一下,试试

open data dcc_rets.xls
data(format=xls,org=columns) 1 2469 sp100 ftse
garch(p=1,q=1,mv=dcc,nomean,hmatrices=hh) / sp100 ftse
*
* Compute the correlations from the multivariate GARCH
*
set rho12 = hh(t)(1,2)/sqrt(hh(t)(1,1)*hh(t)(2,2))

graph(header="Dynamic Correlation of SP100 with FTSE")
# rho12


想做三维的图 怎么个程序涅~
另外之前用dynamic toolbox 2.0做出来的
CopParams =

    0.0472
    0.8774


是DCC的估计参数么？   怎么解释呢？

load datafiles
[residuals, UnResiduals,GARCHspec,likelihoods]=filtReturnsGARCH(returns,'Gaussian','GJR', 'CML');

CopulaSpec=setCopulaLLinputs(4)

[CopParams, LogL, StrOutput]=fitCopula(UnResiduals, CopulaSpec)


  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00032691     0.00012645       2.5853
       AR(1)    0.00011623     0.023288         0.0050
           K    2e-007         8.9269e-008      2.2404
    GARCH(1)    0.95709        0.0063706      150.2350
     ARCH(1)    0.04371        0.0070437        6.2055
Leverage(1)    -0.010519      0.0083157       -1.2649

  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    6.4987e-006    0.00012386       0.0525
       AR(1)    0.078174       0.022644         3.4523
           K    4.3357e-007    8.75e-008        4.9551
    GARCH(1)    0.93435        0.0066454      140.6011
     ARCH(1)    0.078691       0.0064494       12.2011
Leverage(1)    -0.04913       0.0102          -4.8168

  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00011945     8.2982e-005      1.4395
       AR(1)    0.079255       0.022893         3.4620
           K    2e-007         5.311e-008       3.7658
    GARCH(1)    0.93251        0.0097879       95.2716
     ARCH(1)    0.075452       0.012664         5.9582
Leverage(1)    -0.038818      0.015888        -2.4433

  Mean: ARMAX(1,0,0); Variance: GJR(1,1)

  Conditional Probability Distribution: Gaussian
  Number of Model Parameters Estimated: 6

                               Standard          T     
  Parameter       Value          Error       Statistic
-----------   -----------   ------------   -----------
           C    0.00013405     0.00012809       1.0465
       AR(1)    0.030703       0.022947         1.3380
           K    4.3749e-007    1.1285e-007      3.8767
    GARCH(1)    0.93139        0.0088657      105.0558
     ARCH(1)    0.027735       0.01247          2.2242
Leverage(1)    0.058318       0.014359         4.0614
for this specification, the SDPT3 solver is used

CopulaSpec =

             ll: 'copula'
           type: 'Gaussian'
        depspec: 'static'
      optimizer: 'SDPT3'
    derivatives: 'on'

??? Error using ==> optimset
Unrecognized parameter name 'Algorithm'.

Error in ==> fitCopula at 29
options = optimset('Algorithm','active-set','Display','iter','MaxFunEvals',10000,'TolCon',10^-12,'TolFun',10^-4,'TolX',10^-6);

>>
epoh老师，您好！
以上错误 是什么原因？如何解决？
非常感谢！

请你选 t
选 static
选 fmincon
CopulaSpec =

             ll: 'copula'
           type: 't'
        depspec: 'static'
      optimizer: 'fmincon'
    derivatives: 'on'

the parameter is scalar, the degree of freedom.

                                Max     Line search  Directional  First-order
Iter F-count        f(x)   constraint   steplength   derivative   optimality Procedure
    0      2     -602.319       -20.08                                         
    1      4     -604.103       -18.76            1        -1.84          1.4   
    2      7     -619.767       -9.381          0.5        -30.5         9.63  Hessian modified twice  
    3     11     -622.519       -7.035         0.25        -3.97         10.1  Hessian modified twice  
    4     14     -622.601       -6.622          0.5        0.038        0.046   
    5     16     -622.602       -6.663            1     0.000226      0.00557   
    6     18     -622.602       -6.658            1   -5.66e-007     0.000129   
Optimization terminated: magnitude of directional derivative in search
direction less than 2*options.TolFun and maximum constraint violation
  is less than options.TolCon.
No active inequalities.
succesfull optimization!

CopParams =

    8.6684


LogL =

  622.6021


StrOutput =

          Hessian: 1.2745
         Gradient: 1.2938e-004
         exitflag: 5
    timeinseconds: 76.9110

epoh老师，你好，我想在正在做的是关于流动性风险的传染问题，想找出s&p500,3M abcp和3M Treasury billde spread，libor-ois spread还有cds之间的动态相关性，初学dcc-garch，用r写了个程序，但是出来的结果总是有问题，麻烦老师帮我看看这个能否实现，如何实现？
数据和code上传了，麻烦老师了