In chapters 4 and 5 all of our atte

In chapters 4 and 5 all of our attention has been directed to developing, estimating, testing, and
forecasting univariate ( = 1) volatility models only. In this chapter, we broaden our interest to multivariate ( ≥ 2) models that–as far as second moments are concerned–will necessarily also concern covariances and correlations besides variances. We therefore examine three approaches to
multivariate estimation of conditional second moments. First, we deal with an approach that moves
the core of the e ffort from the econometrics to the asset pricing, in the sense that covariances will
predicted off factor pricing models (such as, but not exclusively, the CAPM). The advantage of this
way of proceeding is that some of us prefer to do more economics and less econometrics (and this
seems to be a good idea also to the Author of these notes). Unfortunately, most of the asset pricing
theory currently circulating tends to be rejected (sometimes rather obviously, think of the CAPM,
in other occasions only marginally) by most data sets. As a result, the majority of users of financial
econometrics (risk and asset managers, some quantsy types of asset pricers and structurers) prefer
to derive forecasts from econometric models, vs. incorrect, commonly rejected asset pricing models.
Second, we propose models that directly model conditional covariances following a logic similar to
chapter 4: these are in practice multivariate extensions of ARCH and GARCH models. As we
shall see, the idea is similar to when in chapter 3 you did move from univariate time series models
for the conditional mean to multivariate, vector models (such as vector autoregressions). However,
in the case of covariance matrices, we shall see that extending univariate GARCH models to their
multivariate counterparts will present many practical difficulties, unless a smart approach is adopted.
Therefore the corresponding material is presented only in the final, but rather important Section
6. Third, such a smart approach–dynamic conditional correlations (DCC) models–represents the
2
other important, key tool that is described in this chapter.

Kết quả (Việt) 1:

In chapters 4 and 5 all of our attention has been directed to developing, estimating, testing, andforecasting univariate ( = 1) volatility models only. In this chapter, we broaden our interest to multivariate ( ≥ 2) models that–as far as second moments are concerned–will necessarily also concern covariances and correlations besides variances. We therefore examine three approaches tomultivariate estimation of conditional second moments. First, we deal with an approach that movesthe core of the e ffort from the econometrics to the asset pricing, in the sense that covariances willpredicted off factor pricing models (such as, but not exclusively, the CAPM). The advantage of thisway of proceeding is that some of us prefer to do more economics and less econometrics (and thisseems to be a good idea also to the Author of these notes). Unfortunately, most of the asset pricingtheory currently circulating tends to be rejected (sometimes rather obviously, think of the CAPM,in other occasions only marginally) by most data sets. As a result, the majority of users of financialeconometrics (risk and asset managers, some quantsy types of asset pricers and structurers) preferto derive forecasts from econometric models, vs. incorrect, commonly rejected asset pricing models.Second, we propose models that directly model conditional covariances following a logic similar tochapter 4: these are in practice multivariate extensions of ARCH and GARCH models. As wesẽ thấy, ý tưởng cũng tương tự như khi trong chương 3 bạn đã di chuyển từ véc thời gian loạt các mô hìnhnhất có nghĩa là có điều kiện để đa biến, vectơ mô hình (chẳng hạn như vector autoregressions). Tuy nhiên,trong trường hợp của ma trận hiệp phương sai, chúng ta sẽ thấy rằng véc GARCH mở rộng mô hình để củađối tác đa biến sẽ trình bày nhiều thực tế difficulties, trừ khi một cách tiếp cận thông minh được chấp nhận.Vì vậy các tài liệu tương ứng được trình bày chỉ trong ngoài, nhưng khá quan trọng phần6. thứ ba, như một thông minh tương quan có điều kiện tiếp cận-năng động (DCC) mô hình-đại diện cho các2khác quan trọng, phím công cụ được mô tả trong chương này.

Kết quả (Việt) 2:

Trong chương 4 và 5 tất cả sự chú ý của chúng tôi đã được đạo diễn để phát triển, dự toán, kiểm tra, và
dự báo đơn biến ( 1 =) các mô hình biến động chỉ. Trong chương này, chúng ta mở rộng tâm của chúng tôi để nhiều biến ( ≥ 2) mô hình đó, như xa như những khoảnh khắc thứ hai có liên quan-sẽ nhất thiết phải mối quan tâm cũng hiệp phương sai và hệ số tương quan bên cạnh các phương sai. Do đó chúng tôi xem xét ba phương pháp để
ước lượng đa biến của những khoảnh khắc điều kiện thứ hai. Đầu tiên, chúng ta đối phó với một cách tiếp cận mà di chuyển
cốt lõi của ort e ff từ kinh tế đến việc định giá tài sản, theo nghĩa là hiệp phương sai sẽ
dự đoán mô hình định giá yếu tố o ff (chẳng hạn như, nhưng không độc quyền, CAPM). Lợi thế này
cách thủ tục là một số người trong chúng ta thích làm thêm về kinh tế và kinh tế lượng ít (và điều này
có vẻ là một ý tưởng tốt cũng cho Tác giả của những ghi chú). Thật không may, hầu hết các định giá tài sản
lý thuyết hiện đang lưu hành có xu hướng bị từ chối (đôi khi khá rõ ràng, suy nghĩ của CAPM,
trong những dịp khác chỉ nhỉnh) của hầu hết các bộ dữ liệu. Kết quả là, đa số người dùng của tài chính
kinh tế (quản lý rủi ro và tài sản, một số loại quantsy của pricers và structurers tài sản) thích
để lấy được dự báo từ các mô hình kinh tế lượng, so với không chính xác, mô hình định giá tài sản thường bị từ chối.
Thứ hai, chúng tôi đề xuất mô hình trực tiếp mô hình hiệp phương sai có điều kiện sau đây một logic tương tự như
chương 4: đây là những phần mở rộng thực hành đa biến của ARCH và GARCH mô hình. Như chúng ta
sẽ thấy, những ý tưởng tương tự như khi ở chương 3, bạn đã di chuyển từ mô hình chuỗi thời gian đơn biến
cho giá trị trung bình có điều kiện để nhiều biến, mô hình vector (như autoregressions vector). Tuy nhiên,
trong trường hợp của ma trận hiệp phương sai, chúng ta sẽ thấy rằng việc mở rộng mô hình GARCH đơn biến cho họ
các đối tác đa biến sẽ trình bày nhiều những khó di ffi thực tế, trừ phi có một cách tiếp cận thông minh được thông qua.
Do đó các vật liệu tương ứng được chỉ thể hiện trong nal fi, nhưng phần khá quan trọng
6 . Thứ ba, như một thông minh mối tương quan có điều kiện tiếp cận năng động (DCC) mô-đại diện cho
2
quan trọng, công cụ quan trọng khác được mô tả trong chương này.