DCC-GARCH: как оценивать меняющуюся во времени корреляцию активов

Ковариационная матрица — это не просто перечень долгосрочных связей. В конкретный момент инвестору может понадобиться условная дисперсия доходности каждого актива и условная ковариация каждой пары с учетом информации, доступной к этому времени. Если волатильность и совместные движения меняются, единая матрица, рассчитанная по всей выборке, усредняет спокойные периоды, стрессовые эпизоды и возможные структурные сдвиги.

DCC-GARCH позволяет менять условную корреляционную матрицу, сохраняя сравнительно небольшое число параметров. В работе 2002 года Роберт Энгл предложил спецификацию динамической условной корреляции, объединяющую одномерные модели волатильности с компактной рекурсией корреляции (Engle, 2002). Она решает практическую проблему масштаба: полностью неограниченной модели ковариаций потребовалось бы все больше параметров при расширении набора активов.

Метод уместен, когда нужно исследовать условную зависимость после учета меняющейся волатильности каждого ряда. Он не устанавливает, почему активы движутся вместе. Вводный материал о меняющейся во времени дисперсии одного ряда см. в статье о кластеризации волатильности и GARCH. О парных валютных корреляциях и ограничениях их трактовки как общей экспозиции — в руководстве по корреляции валютных пар.

Пусть \(r_t\) — вектор доходностей \(N\) активов, а \(\mu_t\) — их условное среднее. Обозначим инновацию через \(\epsilon_t=r_t-\mu_t\). DCC раскладывает ее условную ковариационную матрицу так:

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

где \(\mathcal{F}_{t-1}\) — информация, известная до наблюдения в момент \(t\); \(D_t=\operatorname{diag}(\sigma_{1,t},\ldots,\sigma_{N,t})\) — диагональная матрица условных стандартных отклонений; \(R_t\) — условная корреляционная матрица.

Для каждой \(\sigma_{i,t}^2\) можно задать одномерное уравнение семейства GARCH. Например:

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

Эта маргинальная модель описывает, как масштаб инновации актива \(i\) меняется в зависимости от его собственной истории. Она не утверждает, что меняется корреляция с активом \(j\). И наоборот, изменение \(R_t\) само по себе не означает роста волатильности какого-либо из активов.

Разложение важно, поскольку ковариация объединяет оба эффекта:

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

Ковариация может вырасти из-за повышения маргинальной волатильности одного или обоих активов, даже если \(\rho_{ij,t}\) неизменна. DCC отдельно оценивает оставшуюся временную динамику условной корреляции. В этом ее ключевое отличие от подхода, при котором для каждого актива независимо подгоняют GARCH, а исходную ковариацию считают постоянной.

После оценки условных средних и маргинальных дисперсий вычисляют стандартизованные инновации:

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

Если маргинальные модели подходят данным, условная дисперсия каждой компоненты \(z_t\) должна быть приблизительно равна единице. Однако компоненты все еще могут быть зависимы в один и тот же момент: именно их совместная динамика используется для обновления корреляций. Стандартизация не позволяет считать крупное исходное изменение в активе с естественно высокой волатильностью более убедительным признаком зависимости, чем сопоставимое стандартизованное изменение в другом активе.

На практике стандартизованные остатки — это оценки, а не непосредственно наблюдаемые истины. Неудачная модель среднего может оставить предсказуемую структуру в \(\epsilon_t\), а неподходящая модель волатильности — меняющийся масштаб в \(z_t\). Этап оценки корреляции может поглотить обе ошибки и исказить \(R_t\). На остатки, передаваемые рекурсии, также влияют тяжелые хвосты, выбросы, пропущенные даты, несинхронные часы торгов, корпоративные действия и устаревшие цены.

Энгл и Шеппард описали двухэтапный подход: сначала оценить одномерные модели GARCH, затем получить параметры корреляции по стандартизованным остаткам (Engle and Sheppard, 2001). Раздельная оценка маргинальных моделей упрощает вычисления и делает DCC практичной. Вместе с тем результат второго этапа следует трактовать с учетом спецификаций первого этапа и точного совмещения входных рядов.

В стандартной DCC сначала обновляется вспомогательная положительно определенная матрица \(Q_t\):

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

\(\bar Q\) — долгосрочная матрица стандартизованных инноваций, \(a\) определяет влияние недавних совместных движений на обновление, а \(b\) — устойчивость, унаследованную от прежнего \(Q\). В распространенной скалярной спецификации DCC неотрицательные \(a\) и \(b\), условие \(a+b<1\), а также положительная определенность \(\bar Q\) и начального значения сохраняют положительную определенность обычной рекурсии. Строгая стационарность и обоснованность вывода зависят от всей модели и ее предпосылок. Эти ограничения относятся к выбранной спецификации и не являются универсальной гарантией для всех вариантов.

Матрица \(Q_t\) обычно не является корреляционной: ее диагональные элементы не обязаны равняться единице. Обозначим \(S_t=\operatorname{diag}(Q_t)\) и нормируем:

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

Так диагональ становится единичной, а внедиагональные элементы — безразмерными условными корреляциями. Условная ковариация затем получается как \(H_t=D_tR_tD_t\). Разделение \(Q_t\), \(R_t\) и \(H_t\) помогает избежать распространенной ошибки чтения: рекурсия меняет вспомогательную матрицу зависимости, нормировка превращает ее в корреляции, а маргинальные стандартные отклонения возвращают их к масштабу доходностей активов. Роль нормировки принципиальна в методе, описанном Энглом (2002).

<!-- learn:illustration --> <!-- Концептуальная иллюстрация без текста: потоки доходностей с отдельными меняющимися диапазонами волатильности соединяются в общую плавно меняющуюся ленту зависимости; это схема, а не рыночные данные или прогноз. -->

В распространенной двухэтапной реализации сначала для каждого актива оценивают условное среднее и одномерную дисперсию семейства GARCH. Затем по этим моделям рассчитывают \(z_t\) и оценивают параметры DCC на основе корреляционной части функции правдоподобия или квазиправдоподобия. На первом этапе можно использовать гауссово правдоподобие, даже если доходности не распределены нормально: при подходящих условиях регулярности это может быть квазимаксимальным правдоподобием. Но стандартные ошибки и выводы должны соответствовать фактическому оценивателю и его предпосылкам.

Разделение этапов вычислительно проще, чем оценка полностью неограниченной многомерной системы GARCH. При этом этапы связаны: неопределенность маргинальных параметров влияет на стандартизованные остатки, а значит и на оценку второго этапа. Оценки \(a\) и \(b\) не являются непосредственным измерением неизменной рыночной константы. Их трактовка зависит от выборки, маргинальных моделей, начальных значений, распределительных предпосылок и устойчивости динамики корреляций.

Долгосрочная матрица \(\bar Q\) часто строится на выборочной ковариации стандартизованных остатков, однако точные определения и поправки различаются. В описании реализации следует указать способ оценки \(\bar Q\), инициализацию \(Q_0\), обработку пропусков, ограничения параметров и расчет правдоподобия. Численная оптимизация при \(a+b\), близком к единице, почти вырожденная \(\bar Q\) или слишком большой набор активов могут вызвать нестабильность. Стоит приводить диагностику сходимости и проверять чувствительность к разумным альтернативным маргинальным спецификациям и окнам.

При сделках с нерегулярным временем стандартные синхронные доходности DCC могут быть неподходящими без продуманной схемы выборки. Для несинхронных наблюдений может потребоваться другой оцениватель; см. руководство по ковариации Хаяси—Ёсиды. Сжатие шумной целевой ковариации, рассмотренное в статье о сжатии ковариации Ледуа—Вульфа, — отдельный этап, его не следует путать с динамической рекурсией корреляции DCC.

Рассмотрим две стандартизованные инновации и выдуманный пример обновления DCC. Пусть \(a=0{,}05\), \(b=0{,}90\), \(\bar q_{12}=0{,}10\), \(q_{12,t-1}=0{,}30\), \(z_{1,t-1}=1{,}5\) и \(z_{2,t-1}=1{,}0\). Эти числа придуманы только для пояснения арифметики и не являются оценками по рыночным данным. Внедиагональный элемент обновляется так:

\[ q_{12,t}=(1-0{,}05-0{,}90)(0{,}10)+0{,}05(1{,}5)(1{,}0)+0{,}90(0{,}30)=0{,}350. \]

Чтобы показать нормировку, предположим, что придуманные диагональные значения равны \(\bar q_{11}=\bar q_{22}=1\) и \(q_{11,t-1}=q_{22,t-1}=1\). Та же рекурсия дает:

\[ q_{11,t}=0{,}05(1)+0{,}05(1{,}5^2)+0{,}90(1)=1{,}0625,\qquad q_{22,t}=0{,}05(1)+0{,}05(1{,}0^2)+0{,}90(1)=1. \]

Следовательно, нормированная корреляция равна:

\[ \rho_{12,t}=\frac{0{,}350}{\sqrt{1{,}0625\cdot1}}\approx0{,}340. \]

Вспомогательный внедиагональный элемент вырос с 0,30 до 0,35, а отчетная корреляция составляет около 0,34, поскольку изменилась и диагональ \(Q_t\). Значение \(q_{12,t}=0{,}35\) нельзя объявлять корреляцией, пропуская нормировку. Пример показывает один шаг рекурсии; он ничего не говорит о статистической значимости, будущей устойчивости, оптимальных весах портфеля или торговой ценности.

Стандартная DCC экономна: часто один и тот же скалярный параметр реакции и устойчивости применяется ко всем парам. Это полезное ограничение для большого числа активов, но оно может быть слишком жестким, если разные пары подстраиваются с разной скоростью. Кроме того, под названием DCC встречаются разные параметризации, ограничения, процедуры оценки и правила инициализации — их важно точно указывать.

В работе Айелли по скорректированной DCC показано, что у традиционного оценивателя DCC и трактовки параметров корреляции могут возникать проблемы при росте числа активов; автор предлагает cDCC с измененной рекурсией (Aielli, 2013). cDCC — не другое название стандартной DCC. Это различие особенно важно при расширении системы на множество активов и структурной трактовке оцененных коэффициентов.

Асимметричные обобщенные спецификации DCC решают другую задачу: положительные и отрицательные стандартизованные шоки могут по-разному влиять на будущие корреляции. Модель AG-DCC Каппьелло, Энгла и Шеппарда допускает специфичные для рядов параметры влияния новостей и сглаживания, а также асимметрию условных корреляций (Cappiello, Engle, and Sheppard, 2006). AG-DCC гибче общей скалярной рекурсии DCC, поэтому меняются число параметров, ограничения и интерпретация. Не следует незаметно подменять ею стандартную DCC или заранее считать ее лучше без проверки.

Подогнанная \(R_t\) описывает условные корреляции, подразумеваемые моделью при выбранной частоте данных, окне выборки, спецификации среднего, маргинальных моделях волатильности и варианте DCC. Она не выявляет причинный эффект распространения шока. Рост корреляции во время спада может быть связан с общими новостями, изменением состава активов, ликвидностью, ошибкой спецификации волатильности или другими механизмами; одна оценка не позволяет их различить.

Для измерения риска сравнивайте прогноз динамической ковариации с содержательными ориентирами, например скользящей выборочной ковариацией или моделью постоянной корреляции. Для каждого момента прогноза используйте только доступную на тот момент информацию, сопоставляйте одинаковые набор активов и горизонт и указывайте функцию потерь. Если модель будет использоваться в портфеле, отслеживайте изменения весов, концентрации, оборота, финансирования и транзакционных издержек. Более высокая оценка корреляции может снижать диверсификацию в рамках конкретной модели риска, но не предсказывает падение любого из активов.

Проверяйте, остаются ли корреляции в допустимых границах и положительно ли определена \(R_t\), а также не сохраняют ли маргинальные стандартизованные остатки автозависимость или меняющуюся дисперсию. Исследуйте чувствительность к набору активов, инициализации, выбросам, окну и варианту модели. Устойчивость, близкая к единице, может замедлить реакцию оценки на структурный сдвиг; гладкая рекурсия тоже способна отставать от внезапной смены режима. Множество графиков пар или вариантов модели провоцирует выборочное толкование, поэтому заранее фиксируйте критерии выбора и сохраняйте сравнения на вневыборочных данных.

DCC-GARCH точнее понимать как компактную условную модель ковариации: маргинальные уравнения оценивают меняющиеся масштабы, рекурсия зависимости отслеживает совместные движения стандартизованных инноваций, а нормировка превращает вспомогательную матрицу в корреляции. При явных предпосылках и проверенных прогнозах матрица может помогать анализу риска. Сама по себе она не доказывает надежность хеджа, не объясняет причину шока и не подтверждает доходность стратегии.