Öz
In this study, it is aimed to model the volatility of stock market, foreign exchange market, crypto money market, precious metal market and debt market investment instruments, to reveal the differences between them and to obtain information that will help individual and institutional investors in their investment decisions by econometric methods. In the study, BIST100 and S&P500 indices, USD/TRY exchange rate, BTC/USD, ounce gold futures and 3-month average deposit interest in the Turkish banking market were considered as different types of investment instruments and volatility structures were examined using the 2018-2022 period data. As a result of the analyzes using ARCH/GARCH and their derivative models, EGARCH (1,1) model for BIST100 index and Bitcoin, and TGARCH (1,1) model for S&P500 index, USD/TRY exchange rate, gold futures and deposit interest, was determined as the most suitable model. While leverage effect was detected in BIST100 and S&P500 indices and Bitcoin volatility, no such effect was observed in the other investment instruments volatility. While the deposit rate was determined as the investment instrument in which the effects of the shocks to the market disappears in its volatility for the longest time, the S&500 index was determined as the investment instrument in which the effects of the shocks to the market disappears in its volatility for the shortest time.
Anahtar Kelimeler
Volatility Volatility Modelling Risky Investment Instruments ARHC/GARCH Models
Kaynakça
- Atasoy, A. B., & Tuna, G. (2021). Bitcoin için volatilite tahmini: Simetrik ve asimetrik GARCH modelleri için ampirik bir çalışma. İşletme Araştırmaları Dergisi, 13(4), 3346-3359.
- Baykut, E., & Kula, V. (2018). Borsa İstanbul pay endekslerinin volatilite yapısı: BIST-50 örneği (2007-2016 yılları). Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 20(1), 279-303.
- Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 37, 307-327.
- Bouoiyour, J., & Selmi, R. (2016). Bitcoin: A beginning of a new phase? Economics Bulletin, 36(3), 1430-1440. Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Oakland: Holden-Day.
- Brock, W. A., Dechert, W. D., Scheinkman, J. A., & LeBaron, B. (1996). A test for independence based on the correlation dimension. Econometric Reviews, 15(3), 197–235.
- Çil Yavuz, N. (2015). Finansal ekonometri (2. Baskı). İstanbul: Der Yayınevi.
- Dickey, D. A., & Fuller W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74, 427–431.
- Ding, Z., Clive, Granger, C. W. J., & Engle, R. F. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 1, 83-106.
- Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation. Econometrica, 50(4), 987–1007.
- Engle, E. F., & Bollarsev, T. (1986). Modelling the persistence of conditional aariances. Econometric Reviews, 5(1), 1-50.
- Ertuğrul, H. (2019). Kripto paraların volatilite dinamiklerinin incelenmesi: GARCH modelleri üzerine bir uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 17(4), 59-71.
- Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779-1801.
- Goudarzi, H., & Ramanarayanan, C. S. (2010). Modeling and estimation of volatility in the Indian stock market. International Journal of Business and Management, 5(2), 85-98.
- Karabacak, M., Meçik, O., & Genç, E. (2014). Koşullu değişen varyans modelleri ile BIST 100 endeks getirisi ve altın getiri serisi volatilitesinin tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi, 6(1), 79-90.
- Kazova, F., & Büyükyılmaz Ercan, A. (2021). Kripto para birimlerinin volatilite yapılarının karşılaştırmalı analizi. Ekoist: Journal of Econometrics and Statistics, 35, 33-57.
- Korkmaz, T., & Çevik, E. İ. (2009). Zımni volatilite endeksinden gelişmekte olan piyasalara yönelik volatilite yayılma etkisi. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 3(2), 87-105.
- Koy, A., Yaman, M., & Mete, S. (2021). Kripto paraların volatilite modelinde ABD borsa endekslerinin yeri: Bitcoin üzerine bir uygulama. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(24), 159-170.
- Kuzu, S. (2018). Borsa İstanbul Endeksi (BIST 100) getiri volatilitesinin ARCH ve GARCH modeli ile tahmin edilmesi. Muhasebe ve Vergi Uygulamaları Dergisi, Özel Sayı, 608-624.
- Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303.
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 59(2), 347-370.
- Özbey, F., & Paksoy, S. (2020). GARCH ailesi modelleri ve Ann entegrasyonu ile BIST 100 endeks getirisinin volatilite tahmini. Business and Economics Research Journal, 11(2), 385-396.
- Özdemir Höl, A., & Akkuş, H. T. (2021). Volatilite modelleri. İ. Çelik & S. Bozkuş Kahyaoğlu (Ed.), Finansal zaman serisi analizleri: Temel yaklaşımlar içinde (s. 299-412). Ankara: Gazi Kitabevi.
- Pabucçu, H., & Değirmenci, N. (2018). Volatilitenin modellenmesi ve ANFIS modeli ile BIST100 getiri tahmini. Adam Akademi, 8(2), 325-345.
- Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75, 335–346.
- Şahin, E. E., & Özkan, O. (2018). Asimetrik volatilitenin tahmini: Kripto para Bitcoin uygulaması. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3(2), 240-247.
- Şahin, Ö., Öncü, M. A., & Sakarya, Ş. (2015). BİST 100 ve kurumsal yönetim endeksi volatilitelerinin karşılaştırmalı analizi. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(2), 107-126.
- Tamilselvan, M., & Vali, S. M. (2016). Forecasting stock market volatility-evidence from Muscat security market using GARCH models. International Journal of Commerce and Finance, 2(1), 37-53.
- Topaloğlu, E. E., & Yaman, S. (2018). Simetrik ve asimetrik koşullu değişen varyans modelleri ile volatilite tahmini: Borsa İstanbul 100 endeksi uygulaması. International Conference on Applied Economics and Finance & Extended with Social Sciences (ICOAEF’IV) Proceeding’te sunulan bildiri. Aydın.
- Tuna, K., & İsabetli, İ. (2014). Finansal piyasalarda volatilite ve BIST-100 örneği. Kocaeli Üniversitesi Sosyal Bilimler Dergisi, 27, 21-31.
- Ural, M. (2010). Yatırım fonlarının performans ve risk analizi. Ankara: Detay Yayıncılık.
- Investing. (t.y.) Yatırım aracı fiyat verileri. https://tr.investing.com/markets/ adresinden erişildi.
- Zakoian, J. M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931-955.
Öz
Bu çalışmada, pay piyasası, döviz piyasası, kripto para piyasası, kıymetli maden piyasası ve borçlanma piyasası yatırım araçlarının volatilitelerinin modellenmesi, aralarındaki farkların ortaya konulması ve bireysel ve kurumsal yatırımcılara yatırım kararlarında yardımcı olacak bilgilerin ekonometrik yöntemlerle elde edilmesi amaçlanmıştır. Çalışmada BIST100 ve S&P500 endeksleri, USD/TRY döviz kuru, BTC/USD, ons altın vadeli işlemler ve Türkiye bankacılık piyasası 3 aylık ortalama mevduat faizi farklı türlerde yatırım enstrümanları olarak ele alınmış ve 2018-2022 dönemi verileri kullanılarak volatilite yapıları incelenmiştir. ARCH/GARCH ve türevi modellerin kullanıldığı analizler sonucunda, BIST100 endeksi ve Bitcoin için EGARCH (1,1) modeli, S&P500 endeksi, USD/TRY döviz kuru, altın vadeli işlemler ve mevduat faizi için ise TGARCH (1,1) modeli en uygun model olarak belirlenmiştir. BIST100 ve S&P500 endeksleri ve Bitcoin volatilitelerinde kaldıraç etkisi tespit edilirken, diğer yatırım araçlarının volatilitelerinde böyle bir etkiye rastlanmamıştır. Mevduat faizi piyasaya gelen şokları en uzun sürede atlatan yatırım enstrümanı olarak tespit edilirken S&500 endeksi şokları en düşük sürede atlatan yatırım aracı olarak tespit edilmiştir.
Anahtar Kelimeler
Volatilite Volatilite Modellemesi Riskli Yatırım Araçları ARCH/GARCH Modelleri
Kaynakça
- Atasoy, A. B., & Tuna, G. (2021). Bitcoin için volatilite tahmini: Simetrik ve asimetrik GARCH modelleri için ampirik bir çalışma. İşletme Araştırmaları Dergisi, 13(4), 3346-3359.
- Baykut, E., & Kula, V. (2018). Borsa İstanbul pay endekslerinin volatilite yapısı: BIST-50 örneği (2007-2016 yılları). Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 20(1), 279-303.
- Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 37, 307-327.
- Bouoiyour, J., & Selmi, R. (2016). Bitcoin: A beginning of a new phase? Economics Bulletin, 36(3), 1430-1440. Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Oakland: Holden-Day.
- Brock, W. A., Dechert, W. D., Scheinkman, J. A., & LeBaron, B. (1996). A test for independence based on the correlation dimension. Econometric Reviews, 15(3), 197–235.
- Çil Yavuz, N. (2015). Finansal ekonometri (2. Baskı). İstanbul: Der Yayınevi.
- Dickey, D. A., & Fuller W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74, 427–431.
- Ding, Z., Clive, Granger, C. W. J., & Engle, R. F. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 1, 83-106.
- Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation. Econometrica, 50(4), 987–1007.
- Engle, E. F., & Bollarsev, T. (1986). Modelling the persistence of conditional aariances. Econometric Reviews, 5(1), 1-50.
- Ertuğrul, H. (2019). Kripto paraların volatilite dinamiklerinin incelenmesi: GARCH modelleri üzerine bir uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 17(4), 59-71.
- Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779-1801.
- Goudarzi, H., & Ramanarayanan, C. S. (2010). Modeling and estimation of volatility in the Indian stock market. International Journal of Business and Management, 5(2), 85-98.
- Karabacak, M., Meçik, O., & Genç, E. (2014). Koşullu değişen varyans modelleri ile BIST 100 endeks getirisi ve altın getiri serisi volatilitesinin tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi, 6(1), 79-90.
- Kazova, F., & Büyükyılmaz Ercan, A. (2021). Kripto para birimlerinin volatilite yapılarının karşılaştırmalı analizi. Ekoist: Journal of Econometrics and Statistics, 35, 33-57.
- Korkmaz, T., & Çevik, E. İ. (2009). Zımni volatilite endeksinden gelişmekte olan piyasalara yönelik volatilite yayılma etkisi. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 3(2), 87-105.
- Koy, A., Yaman, M., & Mete, S. (2021). Kripto paraların volatilite modelinde ABD borsa endekslerinin yeri: Bitcoin üzerine bir uygulama. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(24), 159-170.
- Kuzu, S. (2018). Borsa İstanbul Endeksi (BIST 100) getiri volatilitesinin ARCH ve GARCH modeli ile tahmin edilmesi. Muhasebe ve Vergi Uygulamaları Dergisi, Özel Sayı, 608-624.
- Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303.
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 59(2), 347-370.
- Özbey, F., & Paksoy, S. (2020). GARCH ailesi modelleri ve Ann entegrasyonu ile BIST 100 endeks getirisinin volatilite tahmini. Business and Economics Research Journal, 11(2), 385-396.
- Özdemir Höl, A., & Akkuş, H. T. (2021). Volatilite modelleri. İ. Çelik & S. Bozkuş Kahyaoğlu (Ed.), Finansal zaman serisi analizleri: Temel yaklaşımlar içinde (s. 299-412). Ankara: Gazi Kitabevi.
- Pabucçu, H., & Değirmenci, N. (2018). Volatilitenin modellenmesi ve ANFIS modeli ile BIST100 getiri tahmini. Adam Akademi, 8(2), 325-345.
- Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75, 335–346.
- Şahin, E. E., & Özkan, O. (2018). Asimetrik volatilitenin tahmini: Kripto para Bitcoin uygulaması. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3(2), 240-247.
- Şahin, Ö., Öncü, M. A., & Sakarya, Ş. (2015). BİST 100 ve kurumsal yönetim endeksi volatilitelerinin karşılaştırmalı analizi. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(2), 107-126.
- Tamilselvan, M., & Vali, S. M. (2016). Forecasting stock market volatility-evidence from Muscat security market using GARCH models. International Journal of Commerce and Finance, 2(1), 37-53.
- Topaloğlu, E. E., & Yaman, S. (2018). Simetrik ve asimetrik koşullu değişen varyans modelleri ile volatilite tahmini: Borsa İstanbul 100 endeksi uygulaması. International Conference on Applied Economics and Finance & Extended with Social Sciences (ICOAEF’IV) Proceeding’te sunulan bildiri. Aydın.
- Tuna, K., & İsabetli, İ. (2014). Finansal piyasalarda volatilite ve BIST-100 örneği. Kocaeli Üniversitesi Sosyal Bilimler Dergisi, 27, 21-31.
- Ural, M. (2010). Yatırım fonlarının performans ve risk analizi. Ankara: Detay Yayıncılık.
- Investing. (t.y.) Yatırım aracı fiyat verileri. https://tr.investing.com/markets/ adresinden erişildi.
- Zakoian, J. M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931-955.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Finans |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Yayımlanma Tarihi | 25 Eylül 2023 |
| Gönderilme Tarihi | 24 Kasım 2022 |
| Yayımlandığı Sayı | Yıl 2023 Cilt: 24 Sayı: 3 |
Bu eser 2023 yılından itibaren Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır.