DCC-GARCH: Zeitvariable Korrelationen zwischen Anlagen schätzen

Eine Kovarianzmatrix ist mehr als eine Liste langfristiger Beziehungen. Zu einem bestimmten Entscheidungszeitpunkt kann ein Anleger die bedingte Varianz jeder Rendite und die bedingte Kovarianz jedes Anlagenpaars benötigen, jeweils auf Basis der bis dahin verfügbaren Informationen. Ändern sich Volatilität und gemeinsames Verhalten, mittelt eine über die gesamte Stichprobe geschätzte Matrix ruhige und turbulente Phasen sowie mögliche Strukturbrüche zusammen.

DCC-GARCH lässt die bedingte Korrelationsmatrix fortschreiben und hält das Modell zugleich sparsam. Robert Engles Arbeit von 2002 schlägt eine Spezifikation für dynamische bedingte Korrelationen vor, die univariate Volatilitätsmodelle mit einer Korrelationsrekursion mit wenigen Parametern verbindet (Engle, 2002). Das adressiert ein praktisches Skalierungsproblem: Ein vollständig unbeschränktes Kovarianzmodell benötigt mit wachsender Zahl von Anlagen immer mehr Parameter.

Das Verfahren ist nützlich, wenn es um bedingte Abhängigkeit zwischen Anlagen geht, nachdem die veränderliche Volatilität jeder Reihe berücksichtigt wurde. Warum sich Anlagen gemeinsam bewegen, erklärt es nicht. Eine Einführung in zeitvariable Varianz einer einzelnen Reihe bietet Volatilitätscluster und GARCH. Zu FX-Paarkorrelationen und den Grenzen, sie als gemeinsame Exponierung zu deuten, siehe Korrelation von Forex-Paaren.

Sei \(r_t\) der Renditevektor von \(N\) Anlagen, \(\mu_t\) sein bedingter Mittelwert und \(\epsilon_t=r_t-\mu_t\) die Innovation. DCC zerlegt die bedingte Kovarianzmatrix wie folgt:

\[ H_t=\operatorname{Var}(\epsilon_t\mid\mathcal{F}_{t-1})=D_tR_tD_t, \]

wobei \(\mathcal{F}_{t-1}\) die vor Beobachtung von \(t\) verfügbaren Informationen bezeichnet, \(D_t=\operatorname{diag}(\sigma_{1,t},\ldots,\sigma_{N,t})\) die bedingten Standardabweichungen enthält und \(R_t\) die bedingte Korrelationsmatrix ist.

Jedes \(\sigma_{i,t}^2\) lässt sich mit einer univariaten Gleichung aus der GARCH-Familie modellieren, zum Beispiel:

\[ \sigma_{i,t}^{2}=\omega_i+\alpha_i\epsilon_{i,t-1}^{2}+\beta_i\sigma_{i,t-1}^{2}. \]

Dieses Randmodell beschreibt, wie sich das Ausmaß der Innovation von Anlage \(i\) anhand ihrer eigenen Historie verändert. Es besagt nicht, dass sich auch die Korrelation mit Anlage \(j\) ändert. Umgekehrt bedeutet ein verändertes \(R_t\) nicht automatisch, dass die Volatilität einer der Anlagen steigt. In der Kovarianz wirken beide Komponenten:

\[ H_{ij,t}=\sigma_{i,t}\sigma_{j,t}\rho_{ij,t}. \]

Die Kovarianz kann steigen, wenn die Volatilität einer oder beider Anlagen zunimmt, obwohl \(\rho_{ij,t}\) konstant bleibt. DCC soll die verbleibende zeitliche Veränderung der bedingten Korrelation getrennt schätzen, nachdem die Randvolatilitäten modelliert wurden. Darin unterscheidet es sich davon, unabhängige GARCH-Modelle zu schätzen und anschließend die Kovarianz der Roh-Renditen als konstant zu behandeln.

Nach der Schätzung bedingter Mittelwerte und Randvarianzen werden die Innovationen standardisiert:

\[ z_t=D_t^{-1}\epsilon_t. \]

Bei angemessenen Randmodellen sollte die bedingte Varianz jeder Komponente von \(z_t\) ungefähr eins betragen. Die Komponenten können dennoch zum selben Zeitpunkt abhängig sein; ihr gemeinsames Muster dient zur Aktualisierung der Korrelationen. Durch die Standardisierung gilt eine große Rohbewegung einer Anlage mit naturgemäß hoher Volatilität nicht automatisch als stärkerer Abhängigkeitshinweis als eine vergleichbare standardisierte Bewegung einer anderen Anlage.

In der Praxis sind standardisierte Residuen geschätzte Größen und keine direkt beobachteten Tatsachen. Ein unzureichendes Mittelwertmodell kann vorhersagbare Struktur in \(\epsilon_t\) hinterlassen; ein unzureichendes Volatilitätsmodell kann eine veränderliche Skala in \(z_t\) belassen. Die Korrelationsstufe kann solche Fehler der Randmodelle aufnehmen und \(R_t\) verzerren. Auch schwere Verteilungsschwänze, Ausreißer, fehlende Zeitpunkte, unterschiedliche Handelszeiten, Kapitalmaßnahmen und veraltete Kurse beeinflussen die Residuen.

Engle und Sheppard beschreiben ein zweistufiges Vorgehen: Zuerst werden univariate GARCH-Modelle geschätzt, anschließend die Korrelationsparameter anhand der standardisierten Residuen (Engle and Sheppard, 2001). Separate Randmodelle erleichtern die Berechnung. Zugleich hängt das Ergebnis der zweiten Stufe von den Spezifikationen der ersten Stufe und der zeitlichen Ausrichtung der Reihen ab.

Standard-DCC aktualisiert zunächst eine Hilfsmatrix \(Q_t\):

\[ Q_t=(1-a-b)\bar{Q}+a z_{t-1}z_{t-1}^{\top}+bQ_{t-1}. \]

\(\bar Q\) ist eine langfristige Matrix der standardisierten Innovationen. \(a\) bestimmt, wie stark jüngste gemeinsame Bewegungen in die Aktualisierung eingehen; \(b\) steuert die Persistenz des vorherigen \(Q\). In der üblichen skalaren Standard-DCC-Spezifikation halten nichtnegative \(a,b\) mit \(a+b<1\), zusammen mit positiv definitem \(\bar Q\) und einer geeigneten Initialisierung, die übliche Rekursion positiv definit. Strenge Stationarität und gültige Inferenz hängen weiterhin vom vollständigen Modell und seinen Annahmen ab. Diese Bedingungen gehören zur gewählten Spezifikation und garantieren nicht pauschal jede Variante.

Die Diagonalelemente von \(Q_t\) sind im Allgemeinen nicht eins; \(Q_t\) ist daher üblicherweise keine Korrelationsmatrix. Setze \(S_t=\operatorname{diag}(Q_t)\) und normalisiere:

\[ R_t=S_t^{-1/2}Q_tS_t^{-1/2}. \]

So erhält die Diagonale Einträge von eins, und die Elemente außerhalb der Diagonale werden zu einheitslosen bedingten Korrelationen. Die bedingte Kovarianz ergibt sich anschließend als \(H_t=D_tR_tD_t\). Wer \(Q_t\), \(R_t\) und \(H_t\) auseinanderhält, vermeidet einen häufigen Interpretationsfehler: Die Rekursion aktualisiert eine Hilfsmatrix der Abhängigkeit, die Normalisierung erzeugt Korrelationen, und die Randstandardabweichungen übertragen sie zurück auf die Renditeskalen. Diese Normalisierung ist zentral für Engle (2002).

<!-- learn:illustration --> <!-- Textfreie Konzeptillustration: Renditeströme mit unterschiedlich breiten Volatilitätshüllen laufen in ein gemeinsames, sanft veränderliches Abhängigkeitsband; konzeptionell, keine Marktdaten oder Prognose. -->

Bei einer gängigen zweistufigen Implementierung werden zunächst der bedingte Mittelwert und eine univariate GARCH-Varianz für jede Anlage geschätzt. Daraus wird \(z_t\) berechnet; anschließend werden die DCC-Parameter anhand einer Likelihood oder Quasi-Likelihood für die Korrelationskomponente geschätzt. Eine Gauß-Likelihood der ersten Stufe kann auch bei nicht gaußschen Renditen unter geeigneten Regularitätsbedingungen als Quasi-Maximum-Likelihood dienen. Standardfehler und Inferenz müssen dennoch zum tatsächlichen Schätzer und seinen Annahmen passen.

Die Aufteilung ist rechnerisch attraktiv gegenüber einem unbeschränkten multivariaten GARCH-System. Sie schafft aber Abhängigkeiten zwischen den Stufen: Unsicherheit der Randparameter beeinflusst die standardisierten Residuen und damit die Schätzung der zweiten Stufe. Ein geschätztes \(a\) oder \(b\) ist keine direkte Messung einer unveränderlichen Marktkonstante. Die Deutung hängt von Stichprobe, Randmodellen, Initialisierung, Verteilungsannahmen und der Stabilität der Korrelationsdynamik ab.

\(\bar Q\) wird oft aus der Stichprobenkovarianz der standardisierten Residuen berechnet; genaue Definitionen und Korrekturen unterscheiden sich. Eine Implementierung sollte angeben, wie \(\bar Q\) geschätzt und \(Q_0\) initialisiert wird, wie fehlende Beobachtungen und Nebenbedingungen behandelt und wie die Likelihood berechnet werden. Optimierung nahe \(a+b=1\), eine nahezu singuläre Matrix \(\bar Q\) oder eine zu große Anlagenmenge können numerische Instabilität verursachen. Berichten Sie Konvergenzdiagnostik und Sensitivität gegenüber plausiblen alternativen Randmodellen und Fenstern.

Für unregelmäßig getaktete Transaktionen sind synchrone Renditeinputs von Standard-DCC ohne bewusstes Sampling-Design womöglich ungeeignet. Für asynchrone Beobachtungen kann ein anderer Schätzer nötig sein; siehe den Leitfaden zur Hayashi–Yoshida-Kovarianz. Die Schrumpfung eines verrauschten Kovarianzziels, etwa mit Ledoit–Wolf-Kovarianzschrumpfung, ist ebenfalls ein separater Schritt und nicht mit DCCs dynamischer Korrelationsrekursion gleichzusetzen.

Betrachte zwei standardisierte Innovationen und ein erfundenes DCC-Update. Setze \(a=0.05\), \(b=0.90\), \(\bar q_{12}=0.10\), \(q_{12,t-1}=0.30\) sowie \(z_{1,t-1}=1.5,\ z_{2,t-1}=1.0\). Die Werte dienen nur der Rechenillustration und sind keine Schätzungen anhand von Marktdaten. Das Update des Elements außerhalb der Diagonale lautet:

\[ q_{12,t}=(1-0.05-0.90)(0.10)+0.05(1.5)(1.0)+0.90(0.30)=0.350. \]

Für die Normalisierung seien die erfundenen Diagonalwerte \(\bar q_{11}=\bar q_{22}=1\) und \(q_{11,t-1}=q_{22,t-1}=1\). Dieselbe Rekursion ergibt:

\[ q_{11,t}=0.05(1)+0.05(1.5^2)+0.90(1)=1.0625,\qquad q_{22,t}=0.05(1)+0.05(1.0^2)+0.90(1)=1. \]

Die normalisierte Korrelation beträgt damit:

\[ \rho_{12,t}=\frac{0.350}{\sqrt{1.0625\cdot1}}\approx0.340. \]

Das Hilfselement außerhalb der Diagonale steigt von 0.30 auf 0.35. Die ausgewiesene Korrelation liegt bei etwa 0.34, weil sich auch die Diagonale von \(Q_t\) geändert hat. Wer \(q_{12,t}=0.35\) ohne Normalisierung als Korrelation ausgibt, überspringt diesen Schritt. Die Rechnung zeigt nur einen Rekursionsschritt; sie belegt weder statistische Signifikanz noch künftige Persistenz, optimale Portfoliogewichte oder einen Handelsvorteil.

Standard-DCC wendet häufig dieselben skalaren Reaktions- und Persistenzparameter auf alle Paare an. Das spart Parameter bei vielen Anlagen, kann aber zu restriktiv sein, wenn sich einzelne Paare unterschiedlich schnell anpassen. Auch unter dem Namen DCC können Parametrisierung, Nebenbedingungen, Schätzverfahren und Initialisierung variieren. Die genaue Spezifikation sollte daher genannt werden.

Aiellis Arbeit zum korrigierten DCC zeigt, dass der konventionelle DCC-Schätzer und die Interpretation seiner Korrelationsparameter bei großer Querschnittsdimension problematisch sein können. Sie schlägt cDCC mit einer modifizierten Rekursion vor (Aielli, 2013). cDCC ist kein anderer Name für Standard-DCC. Die Unterscheidung ist wichtig, wenn viele Anlagen einbezogen oder Koeffizienten strukturell interpretiert werden sollen.

Asymmetrische verallgemeinerte DCC-Spezifikationen behandeln eine andere Einschränkung: Positive und negative standardisierte Schocks können künftige Korrelationen unterschiedlich beeinflussen. AG-DCC von Cappiello, Engle und Sheppard erlaubt serienabhängige Parameter für Nachrichteneffekt und Glättung sowie bedingte Asymmetrien der Korrelationen (Cappiello, Engle, and Sheppard, 2006). AG-DCC ist flexibler als die gemeinsame skalare DCC-Rekursion; dadurch ändern sich Parameterzahl, Nebenbedingungen und Interpretation. Es sollte nicht stillschweigend an die Stelle von Standard-DCC treten und gilt nicht ohne Prüfung als überlegen.

Ein geschätztes \(R_t\) beschreibt modellimplizierte bedingte Korrelationen für eine bestimmte Datenfrequenz, Stichprobe, Mittelwertspezifikation, Randvolatilitätsmodelle und DCC-Variante. Es identifiziert keinen kausalen Übertragungseffekt. Eine höhere geschätzte Korrelation während eines Abschwungs kann auf gemeinsame Nachrichten, eine veränderte Zusammensetzung, Liquidität, eine falsch spezifizierte Volatilität oder andere Mechanismen zurückgehen. Die Schätzung allein unterscheidet sie nicht.

Für Risikomessung sollten Sie die dynamische Kovarianzprognose mit sinnvollen Benchmarks wie einer rollierenden Stichprobenkovarianz oder einem Modell mit konstanter Korrelation vergleichen. Verwenden Sie am jeweiligen Prognoseursprung nur damals verfügbare Informationen, halten Sie Anlageuniversum und Horizont gleich und nennen Sie die Verlustfunktion. Bei einem Portfolioeinsatz sollten Sie auch die Folgewirkungen auf Gewichte, Konzentration, Umsatz, Finanzierung und Transaktionskosten erfassen. Eine höhere Korrelation kann die Diversifikation in einem bestimmten Risikomodell verringern, ist aber keine Prognose fallender Kurse.

Prüfen Sie, ob die geschätzten Korrelationen gültige Grenzen einhalten und \(R_t\) positiv definit bleibt, und untersuchen Sie serielle Abhängigkeit oder veränderliche Varianz in den standardisierten Randresiduen. Testen Sie die Sensitivität gegenüber Anlageuniversum, Initialisierung, Ausreißern, Fenster und Modellvariante. Eine Persistenz nahe eins kann die Reaktion auf einen Strukturbruch verlangsamen; auch eine glatte Rekursion kann einem plötzlichen Regimewechsel hinterherlaufen. Legen Sie Auswahlregeln fest und behalten Sie Out-of-Sample-Vergleiche bei, statt selektiv günstige Paarplots oder Varianten herauszugreifen.

DCC-GARCH ist am besten als kompaktes Modell der bedingten Kovarianz zu verstehen: Randgleichungen schätzen veränderliche Skalen, eine Abhängigkeitsrekursion verfolgt gemeinsames Verhalten standardisierter Innovationen, und die Normalisierung macht aus der Hilfsmatrix Korrelationen. Bei expliziten Annahmen und überprüften Prognosen kann die geschätzte Matrix eine Risikoanalyse unterstützen. Sie belegt für sich weder einen stabilen Hedge noch die Ursache eines Schocks oder die Rentabilität einer Strategie.