这个是用先从朋友的哪里找到的程序，然后再修改。朋友程序的原出处：
https://bbs.pinggu.org/viewthread.php?tid=1109721&page=1#pid9381852
这个是他在论坛的帖子。
然后，尝试规范地写成 ucsd_garch 里 dcc_mvgarch 的估计函数形式。不过有一定的错误。状态转移概率甚至会超过1，达到1.4多。
附上程序压缩文件，里面还有论文一篇，期待懂的朋友修改下，如果结果理想。奖励100论坛币。

很期待 epoh 的回复，我期待朋友们帮忙解决这个问题。

注意：这个是根据ucsd_garch 工具箱的形式修改，会调用里面的函数，使用前先确定已经装上这个工具箱，要不估计的时候，tgach等估计函数会没用，会导致错误。所以在使用前，请务必先装上Ucsd_garch toolbox。

————————————————————————————————————————————————————————————
最近忙这个程序用了将近一个月，都差点忘记了自己9月得考一个重要的从业资格证书。暂且只能到这里了。我再把最新修改的程序上传，让后来者可以继续。Epoh说得对，第一步的估计就缺少了 Markov regime swithcing 效应。 第一步调用时 stdresid=fattailed_garch(para,data);这里没有加入状态效应。等后面主优化函数，
[dccpara,]=fmincon('mrs_dcc_mvgarch_likelihood',dccstarting,……opion,stdresid,,,）;等到这里调用时， Qt(t)=(1-a-b)Qbar+a*(stdresid(state)(t-1)'*stdresid(state)(t-1)+b*Qt(t-1);,此时函数里的 stdresid(state)(t-1),就缺少状态效应。所以这个程序的修改很复杂。
同时的，因为这样书写。一个是缺少一般性，强行定格在“两个状态”，程序代码臃肿，不美观，zhangtao老师也说这个程序不好阅读。这个是需要后来继续修改的人值得考虑的地方。另一个推荐是看 朱钧钧 提到的 3-state_garch 模型的程序，这个用的是 Ggriddy Gibbs sampling。这个算法用的是 Markov chain monte carlo 算法，避免了MLE 算法陷入局部最优解的可能。
————————————————————————————————————————————————————————————

MarkovDccSource 是2011年6月27日上传，也把有 swgarchlike() 这个函数的文件夹包含进去，让后来的人可以参考修改 fattailed_garch()函数，让它可以有状态转移效应。