DCC-GARCH 动态相关：让资产间相关系数随时间自行演化 • halo 的技术博客

前面几篇讲协方差，我们先后解决了采样误差（收缩）、噪声特征值（谱裁剪）和时效性（EWMA）。但 EWMA 那篇留了一个尾巴：它用同一个 λ 同时管波动率和相关性。这在工程上很别扭——波动率是快变量（几天内就能翻倍），相关性是慢变量（regime 级别的漂移），一个衰减速率伺候两位主子，必然顾此失彼。

Engle（2002）的 DCC-GARCH（Dynamic Conditional Correlation）就是冲着这个别扭来的：把波动率和相关性拆开建模，各配各的动力学。这篇文章用一个两资产的可控实验把它从头到尾跑一遍。

先上本文实验里最重要的三组数字。模拟市场：真实相关沿慢正弦漂移，中途插入一段危机（相关从 0.3 跳升至 0.85 持续 250 天），资产各自服从 GARCH(1,1)：

估计器	危机段收敛到 90% 所需天数	全样本追踪 MAE
DCC(1,1)（QML 估计）	86 天	0.109
EWMA λ=0.94	31 天	0.143
252 天滚动相关	248 天	0.112

注意这个格局：EWMA 反应最快但整体误差最大（太神经质，平静期跟着噪声乱抖）；滚动窗口整体误差尚可但危机段迟钝到接近失效；DCC 两头都占——因为它的参数是从数据里估出来的，不是拍脑袋定的。

一、为什么滚动相关和 EWMA 都不够#

滚动相关的问题在 EWMA 那篇已经说透了：等权窗口要把旧数据全部换血才承认世界变了。这里不重复。

EWMA 的问题更微妙。RiskMetrics 式的 EWMA 相关是：

$q_{ij,t} = \lambda q_{ij,t-1} + (1-\lambda) r_{i,t-1} r_{j,t-1}$

然后 $\rho_{ij,t} = q_{ij,t}/\sqrt{q_{ii,t}q_{jj,t}}$ 。它有两个结构性缺陷：

λ 是拍的，不是估的。0.94 是 1996 年 J.P. Morgan 为日频波动率定的经验值，没有任何理由相信它同时适合相关性。相关性通常比波动率持续得多——你需要更长的记忆，也就是更接近 1 的衰减率。
原始收益直接进递推，波动率和相关性纠缠。波动率飙升的日子， $r_i r_j$ 的量级本身就大，EWMA 分不清这是”相关性上升”还是”波动率放大”。危机时观察到的”相关性跳升”有一部分其实是波动率污染。

DCC 对这两点各开一刀。

二、DCC 的两步手术#

第一步：单变量 GARCH 各自过滤波动率#

对每个资产 $i$ 单独拟合 GARCH(1,1)：

$h_{i,t} = \omega_i + \alpha_i r_{i,t-1}^2 + \beta_i h_{i,t-1}$

然后计算标准化残差 $\varepsilon_{i,t} = r_{i,t}/\sqrt{h_{i,t}}$ 。这一步把波动率动态从数据里”洗掉”——洗完之后 $\varepsilon$ 的条件方差恒为 1，剩下的信息只有相关结构。这就解决了上面的缺陷 2。

第二步：在标准化残差上驱动相关演化#

定义伪相关矩阵 $Q_t$ 的递推：

$Q_t = (1 - a - b)\,\bar{Q} + a\,\varepsilon_{t-1}\varepsilon_{t-1}' + b\,Q_{t-1}$

其中 $\bar{Q}$ 是标准化残差的无条件相关矩阵（长期锚点）， $a$ 控制对最新观测的反应速度， $b$ 控制记忆长度。真正的相关矩阵通过归一化得到：

$R_t = \text{diag}(Q_t)^{-1/2}\, Q_t \,\text{diag}(Q_t)^{-1/2}$

这个结构眼熟吗？它就是 GARCH(1,1) 的矩阵版——均值回复到 $\bar{Q}$ ，新息驱动靠 $\varepsilon\varepsilon'$ ，惯性靠 $b$ 。和 EWMA 的关键区别有两个：

$a$ 、 $b$ 用极大似然从数据估计，不是拍的（解决缺陷 1）；
$(1-a-b)\bar{Q}$ 项提供均值回复——危机过后相关性会自己走回长期水平，EWMA 没有这个锚，会永远漂。

最终协方差矩阵组装回来： $H_t = D_t R_t D_t$ ，其中 $D_t = \text{diag}(\sqrt{h_{1,t}},\ldots,\sqrt{h_{N,t}})$ 。

核心代码#

两步都可以用 QML（准极大似然）分开估计，第二步的负对数似然只依赖 $(a,b)$ 两个参数：

import numpy as np
from scipy.optimize import minimize

def garch_nll(params, x):
    """单变量 GARCH(1,1) 负对数似然（QML）"""
    w, a, b = params
    if w <= 0 or a < 0 or b < 0 or a + b >= 0.999:
        return 1e10
    h, nll = np.var(x), 0.0
    for xi in x:
        nll += 0.5 * (np.log(h) + xi * xi / h)
        h = w + a * xi * xi + b * h
    return nll

def dcc_nll(params, eps, Qbar):
    """DCC(1,1) 第二步负对数似然（两资产版）"""
    a, b = params
    if a < 0 or b < 0 or a + b >= 0.999:
        return 1e10
    Q, nll = Qbar.copy(), 0.0
    for e in eps:  # eps: 标准化残差 (T, 2)
        d = 1 / np.sqrt(np.diag(Q))
        R = Q * np.outer(d, d)           # 归一化成相关矩阵
        det = R[0,0]*R[1,1] - R[0,1]**2
        quad = (R[1,1]*e[0]**2 - 2*R[0,1]*e[0]*e[1] + R[0,0]*e[1]**2) / det
        nll += 0.5 * (np.log(det) + quad - e @ e)
        Q = (1 - a - b) * Qbar + a * np.outer(e, e) + b * Q
    return nll

# 第一步：各资产单独拟合 GARCH，取标准化残差
p1 = minimize(garch_nll, [0.05, 0.08, 0.88], args=(r[:,0],),
              method='Nelder-Mead').x
h1 = garch_filter(r[:,0], p1)            # 条件方差序列
eps = r / np.sqrt(np.column_stack([h1, h2]))

# 第二步：标准化残差上估计 (a, b)
Qbar = np.corrcoef(eps.T)
a_hat, b_hat = minimize(dcc_nll, [0.05, 0.90], args=(eps, Qbar),
                        method='Nelder-Mead').x

python

在本文的模拟数据上，QML 估出 a=0.033、b=0.964，a+b=0.997。这个”接近 1 但不等于 1”的持续性是金融相关的典型指纹：相关性变化很慢（高 b），但确实在变（a+b<1，有均值回复）。

时变相关追踪：DCC 贴着真实相关走，滚动窗口慢一拍

图里能清楚看到三种性格：滚动相关（红）在危机开始后慢吞吞爬坡、危机结束后又慢吞吞下坡，两头都慢半年；EWMA（绿）反应快但全程高频抖动；DCC（蓝）在危机段果断爬升、平静期贴着真实值走。

第一步单变量 GARCH 过滤波动率，第二步 DCC 在标准化残差上驱动相关

上半图验证第一步：GARCH(1,1) 拟合的条件波动率与真实条件波动率几乎重合。下半图是第二步的输出——注意 DCC 相关是在波动率已被洗掉的标准化残差上估计的，危机段波动率放大不会污染相关估计。

三、VaR 回测：差异集中在最贵的地方#

追踪误差是学术指标，风控实践看 VaR 击穿率。对 50/50 组合做 1% VaR 回测（组合波动率由各估计器的完整协方差预测给出，正态分位数 2.326）：

时段	滚动 252 天	DCC-GARCH	目标
全样本	1.65%	1.33%	1%
危机段（ρ=0.85）	2.33%	0.33%	1%
平静段	1.54%	1.49%	1%

VaR 击穿率对比：滚动窗口在危机段系统性失守，DCC 的 VaR 线跟着跳下去了

这张表比全样本平均值诚实得多。平静段两者半斤八两——相关性不怎么动的时候，你用什么估计器都差不多。全部差异集中在危机段：滚动窗口击穿率 2.33%，超标 2.3 倍，因为它还揣着危机前 ρ=0.3 的旧地图，系统性低估了组合波动率（相关跳升时分散化收益蒸发，组合波动率跳升，但滚动估计没跟上）；DCC 的 VaR 线在右图里肉眼可见地跟着跳下去了，击穿率反而降到 0.33%（偏保守，因为危机段 GARCH 波动率也在快速上调，双重响应）。

这和 EWMA 那篇的结论一脉相承：迟钝估计器的错误是顺周期的——最需要风控收紧的时候它最松。DCC 把这个缺陷从波动率和相关性两个维度同时修掉。

四、a 和 b 各管什么#

直觉上： $a$ 是”今天的新息掺多少”， $b$ 是”昨天的判断留多少”， $a+b$ 是总记忆长度（越接近 1 记忆越长）， $1-a-b$ 是往长期锚点 $\bar{Q}$ 回拉的力度。

a 控制反应速度，a+b 控制记忆长度；QML 估计的参数接近手工网格最优

左图对比四组手工参数： $a$ 大（如 a=0.20, b=0.70）的曲线在危机开始时窜得快，但平静期抖成心电图； $a$ 小（a=0.02, b=0.95）的曲线平滑但爬坡慢。右图是各组的追踪 MAE——QML 估出来的 (0.033, 0.964) 基本落在手工网格的最优区域。这就是 DCC 相对 EWMA 的核心工程价值：你不需要替相关性猜一个衰减率，数据自己会说。

顺带一个有用的对照：如果把 DCC 递推里的 $\bar{Q}$ 项去掉、令 $a = 1-\lambda$ 、 $b = \lambda$ ，它就退化成 EWMA 相关。所以 EWMA 是 DCC 的”无均值回复 + 参数拍死”特例——和”EWMA 是 GARCH(1,1) 的退化特例”完全平行的关系。

五、诚实边界#

两步 QML 是一致估计，但不是有效估计。 分步估计忽略了波动率参数误差向相关层的传播，标准误会偏乐观。点估计（用来做风控预测）没问题，但如果你要对 a、b 做假设检验，需要修正协方差矩阵（Engle & Sheppard 2001 给了方法）。

N 大时 $\bar{Q}$ 本身就是灾难。 DCC 第二步只有 2 个参数，看起来对维度免疫——但 $\bar{Q}$ 是 N×N 的无条件相关矩阵，它的估计误差就是前面几篇讲的采样误差问题。N=100 时正确做法是先对 $\bar{Q}$ 做收缩或谱裁剪，再进 DCC 递推。DCC 解决的是时变性，不解决维度诅咒——和 EWMA 的局限一模一样，两类工具永远是串联不是替代。

所有资产对共享同一组 (a, b)。 这是 DCC 可扩展性的来源，也是它最强的假设：股票对股票、股票对债券、债券对商品的相关动力学被迫同速。现实里股债相关的 regime 切换和股票板块间的相关演化节奏可以差很远。对本文的两资产实验这不是问题，多资产大盘子里这是已知的模型误设（分块 DCC、DECO 等变体就是冲这个来的）。

日线 QML 的似然循环是 Python for 循环。 T=2500 的两资产例子秒级完成，但 N 稍大或做滚动重估时会慢。生产代码请向量化或用 Numba/Cython——递推结构决定了时间维无法向量化，但截面维可以。

六、下一步#

到这里，协方差估计的”四大件”齐了：收缩管采样误差、谱裁剪管噪声特征值、EWMA/GARCH 管波动率时变、DCC 管相关时变。实务里它们是流水线不是选择题：先波动率过滤，再收缩 $\bar{Q}$ ，再 DCC 演化——每一层修一种病。

下一篇会换一个角度：不修估计量，直接在优化端加约束——范数约束组合优化，用权重范数上限间接实现收缩效果。

本文实验代码基于 numpy/scipy 从零实现两步 QML，未使用 arch 等现成库——理解递推结构比调包重要。模拟市场参数：GARCH(1,1) ω=(0.05, 0.08)、α=(0.08, 0.10)、β=(0.90, 0.87)，真实相关为慢正弦（0.15~0.45）叠加危机跳升段（0.85，250 天），T=2500。