Extraktion der Korrelationsmatrix, R, aus BayesDCCgarch

Question

Ich experimentiere derzeit mit dem bayesDCCgarch Paket und habe versucht, bivariate bedingte Korrelationen aus der Schätzung des Modells zu extrahieren.

Die Ausgabe der Funktion liefert nur die Varianz-Kovarianzmatrix h_T, die aus H = DRD besteht (wobei D_t aus der bedingten Varianz Schätzung des univariate GARCH- Modell kommt). Ich bin für die R Matrix

Ich habe here auf der GitHub im Code einen Blick hatten und haben, dass im Skript gesehen, bayesDccGarch.c sie berechnen nicht die Korrelationsmatrix R (Zeilen 291-300)

// compute the R matrix 
    for(i = 0; i < k; i++){ 
     hiit = omega[i];// /(1.0-beta[i]); // H_{ii,1} 
     MEs[i][0] = y[0][i]/sqrt(hiit); 
     for(t = 1; t < n; t++){ 
      hiit = omega[i] + alpha[i]*y[t-1][i]*y[t-1][i] + beta[i]*hiit; // H_{ii,t} 
      MEs[i][t] = y[t][i]/sqrt(hiit); // Standard Errors 
     } 
    } 
    mcov(n, k, MEs, R); // compute the R matrix 

jede Hilfe, wie ich Korrelationsmatrix R plotten könnte anstatt der geschätzten Volatilitäten für jede der Serie, wie in dem folgenden Code:

library(bayesDccGarch) 
data(DaxCacNik) 
mY<-DaxCacNik[,1:2] 
out = bayesDccGarch(mY, nSim=1000) 
plotVol(mY, out$H[,c("H_1,1","H_2,2")], c("DAX","CAC40")) 

Ich möchte die Korrelationskonstruktion mit der dccfit Funktion in der rmgarch Bibliothek vergleichen.

Answer 1

Nach haven an den Autor des Pakets gesprochen, die richtige Antwort für die Extraktion der Korrelation in der Tat wird mit der H Matrix zusammen mit cov/sqrt(var)sqrt(var):

library(bayesDccGarch) 
data(DaxCacNik) 
mY<-DaxCacNik[,1:2] 
out = bayesDccGarch(mY, nSim=10000) 
R<-out$H[,("H_2,1")]/sqrt(out$H[,("H_1,1")]*out$H[,("H_2,2")])