When modelling more that one asset, it is desirable to apply multivariate modeling to capture the co-movements of the underlying assets. The GARCH models has been proven to be successful when it comes to volatility forecast- ing. Hence it is natural to extend from a univariate GARCH model to a multivariate GARCH model when examining portfolio volatility. This study aims to evaluate a specific multivariate GARCH model, the DCC-GARCH model, which was developed by Engle and Sheppard in 2001. In this pa- per different DCC-GARCH models have been implemented, assuming both Gaussian and multivariate Student’s t distribution. These distributions are compared by a set of tests as well as Value at Risk backtesting. / I portföljanalys så är det åtråvärt att applicera flerdimensionella modeller för att kunna fånga hur de olika tillgångarna rör sig tillsammans. GARCH-modeller har visat sig vara framgångsrika när det kommer till prognoser av volatilitet. Det är därför naturligt att gå från endimensionella till flerdimensionella GARCH-modeller när volatiliteten av en portfölj skall utvärderas. Den här studien ämnar att utvärdera tillvägagångssättet för prognoser av en viss typ av flerdimensionell GARCH-modell, DCC-GARCH-modellen, vilken utvecklades av Engle och Sheppard 2001. I den här uppsatsen har olika DCC-GARCH modeller blivit implementerade, som antar innovationer enligt både flerdimensionell normalfördelning samt flerdimensionell student's t-fördelning. Dessa jämförs med hjälp av en handfull tester samt Value-at-Risk backtesting.