DCC-GARCH 說明：如何估計資產間隨時間變動的相關性

共變異數矩陣不只是長期關係的列表。在某個決策時點，投資人可能需要依據當時可取得的資訊，估計每項資產報酬的條件變異數，以及任意兩項資產之間的條件共變異數。如果波動度與共同變動會隨時間改變，用整個樣本估計的單一矩陣就會把平靜時期、壓力時期和可能的結構轉變平均在一起。

DCC-GARCH 是一種讓條件相關矩陣隨時間變動、同時維持模型簡潔的方法。Robert Engle 於 2002 年提出動態條件相關設定，將單變量波動度模型和參數不多的相關性遞迴結合起來（Engle，2002）。這種方法處理的是實務上的規模問題：隨著資產範圍擴大，完全不受限制的共變異數模型會需要愈來愈多參數。

如果問題是：在容許每條序列有自身變動波動度後，條件依賴關係如何變化，這種方法便派得上用場。但它無法判定資產為何一起變動。單一序列的時變變異數入門，可參閱[波動聚集與 GARCH](/zh-TW/learn/volatility-clustering-garch-explained)；外匯貨幣對相關性，以及將它解讀為共同曝險的限制，則可參閱[外匯貨幣對相關性指南](/zh-TW/learn/forex-pair-correlation-shared-exposure-returns-limits-explained)。

令 \(r_t\) 表示 \(N\) 項資產的報酬向量，\(\mu_t\) 表示其條件平均數，並將創新項記為 \(\epsilon_t=r_t-\mu_t\)。DCC 將創新項的條件共變異數矩陣拆解如下：

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

其中，\(\mathcal{F}_{t-1}\) 是觀察 \(t\) 時點之前可取得的資訊；\(D_t=\operatorname{diag}(\sigma_{1,t},\ldots,\sigma_{N,t})\) 是由條件標準差構成的對角矩陣；\(R_t\) 則是條件相關矩陣。

每個 \(\sigma_{i,t}^2\) 都可以用單變量 GARCH 家族方程式建模，例如：

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

這個邊際模型回答的是：資產 \(i\) 的創新項規模如何依據自身歷史變化。它不代表資產 \(i\) 與資產 \(j\) 的相關性也在變動。反過來說，\(R_t\) 改變也不代表任一資產的波動度正在上升。

這項拆解很重要，因為共變異數同時結合兩種效果：

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

即使 \(\rho_{ij,t}\) 維持不變，只要一項或兩項資產的邊際波動度上升，共變異數也可能增加。DCC 嘗試另外估計條件相關性的剩餘時變部分。這正是多變量 DCC 與「分別配適獨立 GARCH，再將原始共變異數視為固定值」之間的核心差異。

估計條件平均數與邊際變異數後，計算標準化創新項：

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

如果邊際模型合適，\(z_t\) 每個分量的條件變異數應大致為一。不過各分量仍可能在同一時間點互相依賴；用來更新相關性的資訊，正是它們的共同變動模式。標準化可避免這種情況：原本波動度就較高的資產出現大幅原始變動，便自動被視為比其他資產中幅度相近的標準化變動更強的依賴證據。

實務上的標準化殘差是估計值，而非直接觀察到的事實。平均數模型若不合適，\(\epsilon_t\) 可能仍殘留可預測結構；波動度模型若不合適，\(z_t\) 可能仍帶有變動的規模。相關性階段可能吸收這些問題，進而扭曲 \(R_t\)。厚尾、離群值、日期缺漏、交易時段不同步、公司行動與過時價格，也會影響輸入遞迴的殘差。

Engle 與 Sheppard 說明一種兩階段方法：先估計單變量 GARCH 模型，再用其標準化殘差估計相關性參數（Engle 與 Sheppard，2001）。分開配適邊際模型是 DCC 在計算上實用的原因之一；另一方面，第二階段的相關性結果，必須連同第一階段的模型設定和輸入序列的實際對齊方式一起解讀。

標準 DCC 會先更新一個輔助正定矩陣 \(Q_t\)：

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

\(\bar Q\) 是標準化創新項的長期矩陣；\(a\) 控制近期共同變動對更新的影響程度；\(b\) 則控制前一期 \(Q\) 所帶來的延續性。在常見的純量 DCC 設定中，若 \(a\)、\(b\) 非負且 \(a+b<1\)，並且 \(\bar Q\) 與初始矩陣皆為正定，通常的遞迴會維持正定。嚴格定態與有效推論仍取決於整個模型及其假設。這些限制屬於所選的模型設定，不是適用於所有變體的通用保證。

\(Q_t\) 通常本身並非相關矩陣，因為對角元素未必等於一。令 \(S_t=\operatorname{diag}(Q_t)\)，再進行標準化：

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

如此可讓對角元素變為一，非對角元素則成為無單位的條件相關性。之後以 \(H_t=D_tR_tD_t\) 得到條件共變異數。區分 \(Q_t\)、\(R_t\) 和 \(H_t\)，可避免常見的解讀錯誤：遞迴更新輔助依賴矩陣，標準化產生相關性，邊際標準差再將相關性放回資產報酬的尺度。標準化的作用是 Engle（2002）所述方法的核心。

<!-- learn:illustration --> <!-- 無文字概念插圖：不同且隨時間變動的波動範圍中的獨立報酬流，匯入一條共同、平滑變化的依賴關係帶；僅為概念示意，不代表市場資料或預測。 -->

常見的兩階段實作會先為每項資產配適條件平均數與單變量 GARCH 家族變異數模型，再以配適結果計算 \(z_t\)，並從概似或準概似的相關性部分估計 DCC 參數。即使報酬並非高斯分配，第一階段仍可採用高斯概似；在適當的正則條件下，這仍可作為準最大概似估計。不過，標準誤與推論必須符合實際使用的估計量和假設。

與估計一個完全不受限制的多變量 GARCH 系統相比，分階段在計算上較方便，但不同階段仍彼此相依：邊際參數的不確定性會影響標準化殘差，進而影響第二階段估計。報告的 \(a\) 或 \(b\) 並非對某個不變市場常數的直接測量。它們的解讀取決於樣本、邊際模型、初始值、分配假設，以及相關性動態是否穩定。

長期輸入 \(\bar Q\) 通常依據標準化殘差的樣本共變異數，但實際定義與修正方式各有不同。實作時應說明如何估計 \(\bar Q\)、初始化 \(Q_0\)、處理缺失觀察值、施加限制，以及計算概似。在 \(a+b\) 接近一、\(\bar Q\) 幾乎奇異或資產範圍過大的情況下，數值最佳化可能不穩定。請報告收斂診斷，並檢查結果對合理替代邊際設定和樣本期間的敏感度。

若交易時間不規則，標準 DCC 所需的同步報酬輸入，在沒有審慎抽樣設計時可能並不適用。處理非同步觀察值可能需要不同的估計量，請參閱 [Hayashi–Yoshida 共變異數指南](/zh-TW/learn/hayashi-yoshida-asynchronous-covariance-estimator-explained)。針對雜訊較大的共變異數目標進行收縮，例如 [Ledoit–Wolf 共變異數收縮](/zh-TW/learn/ledoit-wolf-covariance-shrinkage-portfolio-estimation-explained)，也是另一個步驟，不應與 DCC 的動態相關遞迴混為一談。

考慮兩項標準化創新，以及一次為了說明而虛構的 DCC 更新。設定 \(a=0.05\)、\(b=0.90\)、\(\bar q_{12}=0.10\)、\(q_{12,t-1}=0.30\)、\(z_{1,t-1}=1.5\)、\(z_{2,t-1}=1.0\)。這些輸入僅為展示算式而虛構，並非市場資料的估計結果。非對角元素的更新如下：

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

為了展示標準化，假設虛構的對角值為 \(\bar q_{11}=\bar q_{22}=1\)，且 \(q_{11,t-1}=q_{22,t-1}=1\)。套用同一遞迴可得：

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

因此，標準化後的相關性為：

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

輔助矩陣的非對角元素從 0.30 移到 0.35，但由於 \(Q_t\) 的對角也改變，報告的相關性約為 0.34。略過標準化，將 \(q_{12,t}=0.35\) 當成相關性是不對的。這項計算只示範一次遞迴更新，無法說明統計顯著性、未來延續性、最佳投資組合權重或交易價值。

標準 DCC 的參數較精簡，因為通常會在所有資產對上使用相同的純量反應與延續參數。資產數量很多時，這項限制很實用；但若不同資產對以不同速度調整，就可能過於嚴格。此外，DCC 名稱下的模型可能採用不同的參數化方式、限制、估計程序或初始化慣例，因此務必標明實際設定。

Aielli 的 corrected DCC 研究指出，當資產橫斷面變大時，傳統 DCC 估計量及其相關性參數的解讀可能出現問題，並提出使用修正遞迴的 cDCC（Aielli，2013）。cDCC 不是標準 DCC 的別名。當模型擴展至大量資產或想從結構角度解讀估計係數時，這項區別特別重要。

非對稱廣義 DCC 設定處理另一項限制：正向與負向的標準化衝擊，可能以不同方式影響未來相關性。Cappiello、Engle 與 Sheppard 提出的 AG-DCC，允許不同序列有各自的新聞影響與平滑參數，也允許條件相關性呈現非對稱性（Cappiello、Engle 與 Sheppard，2006）。AG-DCC 比共用純量的標準 DCC 遞迴更有彈性，因此參數數量、限制和解讀也會改變。沒有評估前，不應默默以 AG-DCC 取代標準 DCC，也不應假設它必然較佳。

配適出的 \(R_t\) 描述模型在所選資料頻率、樣本期間、平均數設定、邊際波動度模型及 DCC 變體下所隱含的條件相關性。它無法辨認具因果關係的溢出效果。經濟下滑時相關性上升，可能來自共同消息、資產組成改變、流動性影響、波動度模型設定錯誤或其他機制；單憑這項估計無法分辨。

用於風險衡量時，請將動態共變異數預測與合理基準比較，例如滾動樣本共變異數或固定相關模型。每次預測都只能使用當時可得資訊，並採用相同資產範圍與預測期間，同時報告損失函數。如果要用於投資組合，請持續追蹤權重、集中度、週轉率、融資和交易成本的後續變化。在特定風險模型下，較高的估計相關性可能降低分散效果，但這不代表模型預測任一資產會下跌。

檢查估計相關性是否在有效範圍內、隱含的 \(R_t\) 是否保持正定，以及邊際標準化殘差是否仍有序列相依或時變變異數。也要檢查結果對資產組合、初始化、離群值、樣本期間和模型變體的敏感度。延續性參數接近一時，估計可能需要很久才會對結構轉變反應；平滑的遞迴也可能落後突發的狀態轉變。多張配對圖或多種候選模型容易導致選擇性解讀，因此應預先說明選擇準則，並保留樣本外比較結果。

DCC-GARCH 最適合被理解為精簡的條件共變異數模型：邊際方程估計變動的規模，依賴遞迴追蹤標準化創新項的共同變動，標準化則將輔助矩陣轉成相關性。假設清楚且預測經過評估後，配適矩陣可協助風險分析；但它本身無法證明避險穩定、解釋衝擊原因，或證明某種策略能獲利。