标签： #dcc-garch

相关性从来不是常数：危机来临时它齐刷刷跳升，而 252 天滚动相关要 248 天才承认这件事。Engle（2002）的 DCC-GARCH 把问题拆成两步：先用单变量 GARCH 各自过滤波动率，再在标准化残差上用一行递推 Q_t = (1−a−b)Q̄ + a·ε_{t−1}ε'_{t−1} + b·Q_{t−1} 驱动相关演化。本文两资产模拟实测：相关从 0.3 跳到 0.85 的危机段，DCC 86 天收敛到位（滚动窗口 248 天），全样本追踪 MAE 0.109 优于滚动（0.112）和 EWMA（0.143）。1% VaR 回测更能说明问题：危机段滚动窗口击穿率 2.33%（超标 2.3 倍），DCC 0.33%——差异全部集中在最需要风控的时段。QML 估计出 a=0.033、b=0.964，a+b=0.997 的高持续性正是金融相关的典型指纹。诚实边界：两步 QML 是一致但非有效估计、N 大时 Q̄ 本身要收缩、DCC 假设所有资产对共享同一组 a/b。

协整不是『一旦成立就永远成立』。真实配对常在某天结构性断裂——对冲比漂移、价差从平稳变成随机游走。用滚动窗口 Engle-Granger 重估对冲比、用 DCC-GARCH 监测动态条件相关，把『关系断了』变成可检测、可自适应修复的信号；附完整 Python 与六类真实陷阱（高阶）。

单变量 GARCH 只解决了一半问题——真正的魔鬼藏在相关矩阵里。Engle(2002) 的 DCC-GARCH 用极少参数让相关矩阵随时间演化，把危机里的相关性飙升如实搬进组合协方差。从零实现并对比常数相关的风险低估。