第二:NO CONVERGENCE IN 35 ITERATIONS

garch(p=1,q=1,distrib=t,mv=dcc,hmatrices=hh,PMETHOD=SIMPLEX,PITERS=10) / reu rrj

MV-GARCH, DCC - Estimation by BFGS
Convergence in    43 Iterations. Final criterion was  0.0000096 <=  0.0000100
Usable Observations                      1466
Log Likelihood                     -5231.4881

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                      0.0804983111 0.0354312919      2.27196  0.02308921
2.  Mean(2)                      0.0926582098 0.0358605052      2.58385  0.00977039
3.  C(1)                         0.1076401183 0.0227460367      4.73226  0.00000222
4.  C(2)                         0.1109480103 0.0223385499      4.96666  0.00000068
5.  A(1)                         0.1177954012 0.0170450972      6.91081  0.00000000
6.  A(2)                         0.1007084920 0.0137585167      7.31972  0.00000000
7.  B(1)                         0.8569541976 0.0184379639     46.47770  0.00000000
8.  B(2)                         0.8651192375 0.0163295911     52.97862  0.00000000
9.  DCC(1)                       0.0284582737 0.0074859859      3.80154  0.00014380
10. DCC(2)                       0.9500893332 0.0123196238     77.12000  0.00000000



第三:
library(rmgarch)
data<-read.csv("reuasian.csv")
# univariate normal GARCH(1,1) for each series
garch11.spec = ugarchspec(mean.model = list(armaOrder = c(1,1)), variance.model = list(garchOrder = c(1,1), model = "sGARCH"), distribution.model = "norm")
# dcc specification - GARCH(1,1) for conditional correlations
dcc.garch11.spec = dccspec(uspec = multispec( replicate(2,garch11.spec) ), dccOrder = c(1,1), distribution = "mvnorm")

fit = dccfit(dcc.garch11.spec, data = data)
fit
*---------------------------------*
*          DCC GARCH Fit          *
*---------------------------------*

Distribution                    :  mvnorm
DCC Order                               :  1 1
Asymmetric                              :  FALSE
No. of Parameters               :  15
[VAR GARCH DCC UncQ]    : [0+12+2+1]
No. of Series                   :  2
No. of Observations             :  1466
Log-Likelihood                  :  -5226.767
Av.Log-Likelihood               :  -3.57

Optimal Parameters
---------------------------------------------------
              Estimate  Std. Error  t value Pr(>|t|)
[REU].mu      0.072672    0.037003  1.96393 0.049538
[REU].ar1     0.558679    0.175215  3.18854 0.001430
[REU].ma1    -0.621721    0.169460 -3.66883 0.000244
[REU].omega   0.106359    0.043141  2.46538 0.013687
[REU].alpha1  0.119908    0.026825  4.47007 0.000008
[REU].beta1   0.855174    0.021793 39.24099 0.000000
[RRJ].mu      0.022321    0.039643  0.56306 0.573397
[RRJ].ar1    -0.455193    0.355177 -1.28159 0.199985
[RRJ].ma1     0.432654    0.344368  1.25637 0.208982
[RRJ].omega   0.097119    0.041157  2.35973 0.018288
[RRJ].alpha1  0.100658    0.029384  3.42562 0.000613
[RRJ].beta1   0.870860    0.028901 30.13236 0.000000
[Joint]dcca1  0.021719    0.006528  3.32700 0.000878
[Joint]dccb1  0.953952    0.012783 74.62820 0.000000

epoh老师，我在想说既然Engel的DCC模型的假设前提是收益率服从正态分布，那么即使我们的收益率并不服从正态分布，也得按正态分布来做，也就是说GARCH模型和DCC模型的估计也必须是正态分布，是这样吗

rmgarch.pdf page 25/68,
dccspec-methods
dccspec(uspec, VAR = FALSE, ...,distribution = c("mvnorm", "mvt", "mvlaplace")...)
Currently the multivariate Normal, Student and Laplace are implemented

###############
Rat's USER’S GUIDE page 321/571,
you can choose the DISTRIB=T option which uses a multivariate Student-t distribution.
(The ged doesn't generalize to multivariate processes.)

谢谢呀

epoh老师，我想请问下用R在DCC-GARCH模型的均值方程中如何加入外生变量呢我看了下rugarch包，
mean.model = list(armaOrder = c(1, 1), include.mean = TRUE,
archm = FALSE, archpow = 1, arfima = FALSE, external.regressors = NULL,
archex = FALSE), distribution.model = "norm", start.pars = list(),
fixed.pars = list(), ...)
这个external.regressors = NULL是加外生变量的意思吗，要怎么加呢

非常感谢！！！！

这帖子真好！！！必须顶

为什么加载时说找不到所需要的程辑包Rcpp

求教 ：载入表里没有"C"字符名"get_coef" 应该怎么解决