If we look close at Figure 4, we se

If we look close at Figure 4, we see that Method 2 (red line) is a bit closer to the unconditional correlation (blue line) than Method 1 (black line), but the difference is very small. In this example we see that the forecasts need approximately 80 time steps to converge to the unconditional correlation for both methods.
There are no big difference in the plots of the forecasts of the DCC-GARCH with Gaussian and Student’s t-distributed errors, hence the plots of forecasts when we assume Student’s t-distributed errors is not shown. This is because the estimated value of a and b are quite similar.
The forecasts of R4062+k, k = 1,...,365, of the DCC-GARCH with skew Students’s tdistributed errors is shown in Figure 5. Comparing these forecasts with the forecasts made for the Gaussian assumption in Figure 4, we see that the forecasts of the skew Student’s t-distributed errors converge faster to the unconditional value of R4062+k. It only need approximately 15 time points to converge. This is because the estimated value of b is smaller for the DCC-GARCH with skew Student’s t-distributed errors than for the model with Gaussian distributed errors. As mentioned in Section 6.1, Rt+k decay with ratio (a+b).
8.3.2 Forecasts with Method 2
The forecasts of Ht+k is calculated as explained in Section 6.1. When forecasting the covariance matrix, Ht+k, k step ahead, the forecasts of Dt+k and Rt+k may be done separately. We choose Method 2 when forecasting because Method 2 has shown to have better bias properties for almost all correlations as mentioned in Section 6.1.2. A DCC-GARCH model with assumption of Gaussian, Student’s t- and skew Student’s t-distributed error, zt, is used to fit the whole data set, t =1,...,4062.

Kết quả (Việt) 2:

Nếu chúng ta nhìn gần vào hình 4, chúng ta thấy rằng phương pháp 2 (đường màu đỏ) là một chút gần gũi hơn với các mối tương quan vô điều kiện (đường màu xanh) hơn Phương pháp 1 (đường màu đen), nhưng erence di ff là rất nhỏ. Trong ví dụ này, chúng ta thấy rằng các dự báo cần khoảng 80 bước thời gian để hội tụ về mối tương quan vô điều kiện cho cả hai phương pháp.
Không có lớn erence di ff trong âm mưu của các dự báo của DCC-GARCH với Gaussian và sinh viên của các lỗi t-phân phối, do đó lô dự báo khi chúng tôi giả định các lỗi t-phân phối của sinh viên không được hiển thị. Điều này là bởi vì giá trị ước tính của a và b là khá giống nhau.
Các dự báo của R4062 + k, k = 1, ..., 365, của DCC-GARCH với các lỗi tdistributed Học sinh nghiêng tại được hiển thị trong Hình 5. So sánh những dự báo với các dự báo được thực hiện cho các giả định Gaussian trong hình 4, chúng ta thấy rằng các dự báo về lỗi t-phân phối Student nghiêng của hội tụ nhanh hơn với giá trị vô điều kiện của R4062 + k. Nó chỉ cần khoảng 15 điểm thời gian để hội tụ. Điều này là bởi vì giá trị ước tính của b là nhỏ hơn cho DCC-GARCH với các lỗi t-phân nghiêng của sinh viên hơn so với các mô hình với các lỗi phân phối Gaussian. Như đã đề cập trong phần 6.1, Rt + k sâu với tỷ lệ (a + b).
8.3.2 Dự báo bằng phương pháp 2
Các dự báo của Ht + k được tính như được giải thích trong phần 6.1. Khi dự báo ma trận hiệp phương sai, Ht + k, k bước về phía trước, các dự báo của Dt + k và Rt + k có thể được thực hiện một cách riêng biệt. Chúng tôi chọn phương pháp 2 khi dự báo vì Phương pháp 2 đã chứng minh là có đặc tính thiên vị tốt hơn cho hầu như tất cả các mối tương quan như đã nêu tại mục 6.1.2. Một mô hình DCC-GARCH với giả định của Gaussian, t- Student và t-phân phối lỗi nghiêng của sinh viên, ZT, được sử dụng để fi t các bộ tập dữ liệu, t = 1, ..., 4062.