Modèles CCC, DCC et shrinkage

1. Quelle est la décomposition fondamentale du modèle CCC ?

H(t) = D(t) × R × D(t). D(t) contient les volatilités et R les corrélations constantes.

2. Que représente D(t) dans CCC et DCC ?

La matrice diagonale des écarts-types conditionnels : D(t) = diag(σ₁(t), σ₂(t), …, σₙ(t)).

3. Quelle est l'hypothèse centrale du CCC ?

Les corrélations conditionnelles sont constantes, même si les variances changent dans le temps.

4. Comment une covariance varie-t-elle dans CCC ?

Cov(i,j,t) = ρ(i,j) × σ(i,t) × σ(j,t). Seules les volatilités évoluent.

5. Quelle est la première étape d'estimation du CCC ?

Estimer séparément les variances conditionnelles à l'aide de modèles GARCH.

6. Comment calculer les résidus standardisés ?

ε(i,t) = u(i,t) / σ(i,t).

7. Quelle est la deuxième étape d'estimation du CCC ?

Calculer les corrélations empiriques des résidus standardisés pour obtenir R.

8. Quand H(t) est-elle définie positive dans CCC ?

Lorsque les volatilités sont strictement positives et que R est définie positive.

9. Combien de paramètres possède CCC avec n modèles GARCH(1,1) ?

3n + n(n−1)/2 = n(n+5)/2, hors équations de moyenne.

10. Quelle est la principale limite du CCC ?

Il ne reproduit pas les variations des corrélations au cours du temps.

11. Quels tests permettent de vérifier la constance des corrélations ?

Les tests de Tse (2000) et de Bera et Kim (2002).

12. Quelle amélioration apporte le modèle DCC ?

Il autorise des corrélations conditionnelles dynamiques, variables dans le temps.

13. Quelle est la décomposition de H(t) dans DCC ?

H(t) = D(t) × R(t) × D(t), avec R(t) variable.

14. Quel est le rôle de Q(t) dans DCC ?

C'est la matrice des quasi-corrélations, utilisée pour construire R(t).

15. Comment définir le vecteur des innovations standardisées ?

ε(t) = D(t)⁻¹ × U(t).

16. Comment calculer R(t) à partir de Q(t) ?

R(t) = diag[Q(t)]⁻¹ᐟ² × Q(t) × diag[Q(t)]⁻¹ᐟ².

17. Comment calculer une corrélation conditionnelle à partir de Q(t) ?

ρ(i,j,t) = q(i,j,t) / √[q(i,i,t) × q(j,j,t)].

18. Pourquoi normaliser Q(t) pour obtenir R(t) ?

Pour obtenir une diagonale égale à 1 et une véritable matrice de corrélation.

19. Quelle est l'équation générale de DCC ?

Q(t) = C + A' × ε(t−1)ε(t−1)' × A + B' × Q(t−1) × B.

20. Quelles sont les étapes de l'estimation DCC ?

1) Estimer les GARCH et standardiser les résidus. 2) Estimer les paramètres de corrélation par QMV.

21. Quelle est l'équation du Scalar DCC ?

Q(t) = (1−α−β) × Q̄ + α × ε(t−1)ε(t−1)' + β × Q(t−1).

22. Comment interpréter α dans Scalar DCC ?

α mesure la réaction des quasi-corrélations aux innovations standardisées récentes.

23. Comment interpréter β dans Scalar DCC ?

β mesure la persistance des quasi-corrélations passées.

24. Quelles contraintes impose-t-on dans Scalar DCC ?

α ≥ 0, β ≥ 0 et α+β < 1, avec Q̄ définie positive.

25. Que représente Q̄ dans DCC ?

La cible de long terme de Q(t), souvent estimée par la moyenne des produits ε(t)ε(t)'.

26. Pourquoi Q̄ est-elle différente de la moyenne de R(t) ?

Q̄ concerne les quasi-corrélations avant normalisation ; en général, E[Q(t)] ≠ E[R(t)].

27. Quelle est l'expression de C avec le variance targeting DCC ?

C = Q̄ − A' × Q̄ × A − B' × Q̄ × B.

28. Quel est l'intérêt du DCC diagonal ?

A et B sont diagonales : moins de paramètres et moins d'interactions entre chocs des différents actifs.

29. Quelle est la limite du Scalar DCC ?

Il impose les mêmes coefficients de réaction et de persistance à toutes les paires d'actifs.

30. Quelle est la différence essentielle entre CCC et DCC ?

CCC : corrélations constantes. DCC : corrélations dynamiques dépendant des chocs passés.

31. Pourquoi DCC est-il intéressant pendant les crises financières ?

Il peut représenter une augmentation des corrélations entre actifs après des chocs communs.

32. Pourquoi la covariance empirique pose-t-elle problème quand n approche T ?

Elle devient instable et mal conditionnée, car l'erreur d'échantillonnage augmente.

33. Pourquoi la covariance empirique centrée n'est-elle pas inversible si n ≥ T ?

Son rang est au maximum T−1, donc inférieur à n : la matrice est singulière.

34. Quel est le principe du shrinkage linéaire ?

Combiner la covariance empirique S et une cible F : S(shrinkage) = (1−δ) × S + δ × F.

35. Quelle est la cible identité de Ledoit-Wolf ?

F = μ × I, avec μ = trace(S)/n. δ=0 : estimation empirique ; δ=1 : cible seule.