Bear Market or Bull Market? An Analysis for İstanbul Stock Exchange with Markov Regime Switching Model

Year 2021, , 2227 - 2249, 30.09.2021

Mustafa Can Samırkaş

https://doi.org/10.15869/itobiad.880539

Abstract

Within the scope of the study, Markov Regime Switching model was used to determine non-linear behavior and bull and bear market rejimes in BIST100 index. High return regimes are defined as bull market regimes, while low or negative returns rejimes are defined as bear market regimes. In the study, the logarithmic returns of daily BIST100 index values for the last ten-year period covering the dates 04.01.2010 - 31.12.2020 were used. The MS (2) -AR (0) model was determined as suitable model for the logarithmic return of the BIST100 index. In addition, the BIST100 index return series was tested with the time-varying transition probability TVTP-MS (2) -AR (0) model, which is determined as an appropriate model, to determine whether a lagged value of the dollar rate change has an effect on the bear market regime and bull market regime.
As a result of the MS (2) -AR (0) model analysis, the probability of the BIST return series to remain in the bull market again in the next period while in the bull market is approximately 87%; The probability of remaining in the bear market again while in the bear market regime is approximately 97%. While BIST returns are in the bull market rejime, the probability of switching to a bear market regime in the next period is approximately 12.9%. While BIST returns are in the bear market regime the probability of switching to a bull market in the next period is approximately 3%. In addition, while the BIST returns series remained an average of 7.75 days in the rising regime and it remained 32.64 days in the fall regime. Considering the possible effect of dollar exchange rate on regime transition possibilities, the analysis results of the TVTP-MS (2) -AR (0) Model revealed that the dollar exchange rate has an effect on the bull market permanence. The probability of the BIST returns series to remain in the bull market regime again in the next period increased according to the MS (2) -AR (0) model and became 96.20%. The probability of remain in the bear market again while in a bear market regime is approximately 86%. While BIST returns are in the bull market rejime, the probability of switching to a bear market regime in the next period is approximately 3,8%. While BIST returns are in the bear market regime the probability of switching to a bull market in the next period is approximately 13,9%. In addition, considering the information criteria, it was determined that the TVTP (2) -AR (0) model gave stronger results than the MS (2) -AR (0) model.

Keywords

BIST100, Bull Market, Bear Market, Exchange Rate, Markov Regime Switching Model

Ayı Piyasası mı, Boğa Piyasası mı? Markov Rejim Değişim Modeli ile Borsa İstanbul için bir Analiz

Abstract

Çalışma kapsamında BİST100 endeksinde doğrusal olmayan davranışı ve boğa, ayı piyasası rejimlerini belirlemek için Markov Rejim Değişim modeli kullanılmıştır. Yüksek getiri rejimleri boğa piyasası rejimi, düşük ya da negatif getiri dönemleri ise ayı piyasası rejimi olarak tanımlanmıştır. Çalışmada 04.01.2010 – 31.12.2020 tarihlerini kapsayan son on yıllık periyotta günlük BIST100 endeks değerlerinin logaritmik getirileri kullanılmıştır. BIST100 endeksinin logaritmik getirisi için uygun sabit geçiş olasılıklı Markov rejim değişim modeli olarak MS(2)-AR(0) modeli belirlenmiştir. Ayrıca BIST100 endeksinin getiri serisinin ayı piyasası rejimi ve boğa piyasası rejimi dönemleri üzerinde dolar kuru değişiminin bir gecikmeli değerinin etkisinin olup olmadığı, uygun model olarak tespit edilen zaman değişkenli geçiş olasılıklı TVTP-MS(2)-AR(0) modeli ile de sınamıştır.
MS(2)-AR(0) modeliyle yapılan analizler sonucunda BIST getiri serisinin boğa piyasasındayken bir sonraki dönemde tekrardan boğa piyasasında kalma olasılığı yaklaşık %87; ayı piyasasındayken tekrardan ayı piyasasında kalma olasılığı ise yaklaşık %97 olduğu tespit edilmiştir. BIST getirileri boğa piyasası rejimindeyken bir sonraki dönemde ayı piyasası rejimine geçme olasılığı yaklaşık %12,9 iken ayı piyasası rejimindeyken bir sonraki dönemde boğa piyasası rejimine geçme olasılığı yaklaşık %3’tür. Bununla birlikte BIST getiri serisinin yükseliş rejiminde ortalama 7,75 gün kalırken, düşüş rejiminde 32,64 gün kaldığı tespit edilmiştir. Dolar kurunun rejim geçiş olasılıklarına etkisi dikkate alındığında TVTP-MS(2)-AR(0) Modelinin analiz sonuçlarında dolar kurunun boğa piyasası kalıcılığında etkisi olduğu tespit edilmiştir. BIST getiri serisinin boğa piyasası rejimindeyken bir sonraki dönemde tekrardan boğa piyasası rejiminde kalma olasılığı MS(2)-AR(0) modeline göre artmış ve %96,20 olmuştur. Ayı piyasası rejimindeyken tekrardan ayı piyasasında kalma olasılığı ise yaklaşık %86’dir. BIST getirileri boğa piyasası rejimindeyken bir sonraki dönemde ayı piyasası rejimine geçme olasılığı yaklaşık %3,8 iken ayı piyasası rejiminden bir sonraki dönemde boğa piyasası rejimine geçme olasılığı yaklaşık %13,9 olarak tespit edilmiştir. Ayrıca bilgi kriterleri dikkate alınarak TVTP(2)-AR(0) modelinin MS(2)-AR(0) modeline göre daha güçlü sonuçlar verdiği tespit edilmiştir.

Keywords

BIST100, Boğa Piyasası, Ayı Piyasası, Dolar Kuru, Markov Rejim Değişim Modeli

References

• Abounoori, E., (Mila)Elmi & Nademi, Y. (2016), Forecasting Tehran stock exchange volatility; Markov switching GARCH approach, Physica A: Statistical Mechanics and its Applications, V.445, p.264-282
• Aktaş, M. ve Akdağ, S. (2013), Türkiye’de Ekonomik Faktörlerin Hisse Senedi Fiyatları ile İlişkilerinin Araştırılması, International Journal Social Science Research, 2: 50-67.
• Almonares, R.A.L (2019), Markov Switching Model of Philippine Stock Market Volatility, DLSU Business & Economics Review 29(1), p. 24-30
• Altıntaş, H. ve Tombak, F. (2011). Türkiye’de Hisse Senedi Fiyatları ve Makro Ekonomik Değişkenler Arasındaki İlişkinin Ekonometrik Analizi: 1987-2008, EconAnadolu 2011 Anadolu Uluslararası İktisat Kongresi, Eskişehir, Türkiye, 1-20.
• Assoe, K.G. (1998) Regime-Switching in Emerging Stock Market Returns, Multinational Finance Journal, 1998, vol. 2, no. 2, pp. 101–132
• Balcilar, M. ve Demirer, R. (2015). Effect of Global Shocks and Volatility on Herd Behavior in an Emerging Market: Evidence from Borsa Istanbul, Emerging Markets, Finance and Trade, 51:1, 140-159, DOI: 10.1080/1540496X.2015.1011520
• Bayat, T., Kayhan, S. ve Koçyiğit, A. (2013). Türkiye’de İşsizliğin Asimetrik Davranışının Rejim Değişim Modeliyle İncelenmesi, Business and Economics Research Journal, V. 4, N. 2, pp.79-90
• Brock, W., Dechert, W., and Scheinkman, J. (1987). A Test For Independence Based On The Correlation Dimension. Working Paper, University of Wisconsin at Madison, University of Houston and University of Chicago.
• Büyükyılmaz, A. (2015), Markov Rejim Değişimli Vektör Otoregresif ModellerveDoğrusal Olmayan Nedensellik Analizi: OECD Ülkelerinde Yenilenebilir Enerji Tüketimi, CO2 Emisyonuve Ekonomik Büyüme Arasındaki İlişki İçin Bir Uygulama. Akdeniz Üniversitesi Sosyal Bİlimler Enstitüsü, Doktora Tezi.
• Chen, S.S., (2006), Revisiting the interest rate–exchange rate nexus:a Markov-switching approach, Journal of Development Economics, 79:208-224
• Dadaloğlu, C. (2018). Ekonomik Yatırım Araçları Getirilerinin Saklı Markov Modeli ile Tahmin Edilmesi: Türkiye Örneği (Yüksek lisans tezi). Çukurova Üniversitesi Sosyal Bilimler Enstitüsü, Adana.
• Dağlıoğlu, C. ve Kıral, G. (2018). Hisse Senedi Piyasa Fiyatlarının Saklı Markov Modeli İle Tahmin Edilmesi: Türkiye Örneği, Uluslararası Ekonomi ve Yenilik Dergisi, 4 (1), 61-75
• Dizdarlar, H. I.ve Derinders, S. (2008), Hisse Senedi Endeksini Etkileyen Faktörler: İMKB 100 Endeksini Etkileyen Makro Ekonomik Göstergeler Üzerine Bir Araştırma, Yönetim, 19(61): 113-124
• Evci, S., Şak, N. ve Adana Karaağaç, G. (2016). Altın Fiyatlarındaki Değişimin Markov Rejim Değişim Modelleriyle İncelenmesi, Business and Economics Research Journal, V.7, N.4, 66-77
• Güçlü, F. (2019), İslami Hisse Senedi Piyasalarının Sistematik Riskinin Markov Rejim Değişim Modeliyle İncelenmesi: Katılım 30 Örneği, BMIJ, (2019), 7(5): 2910-2924 doi: http://dx.doi.org/10.15295/bmij.v7i5.1366
• Güleşce, A. (2019). Faiz Oranı Öngörüsü için Markov Değişim Modeli (Yüksek lisans tezi). Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
• Hacıimamoğlu, T., Saraç, H. ve Kutlu, M. (2019), Türkiye’de Petrol Fiyatlarındaki Volatilitenin Cari Açığa Etkisi, AVRASYA Uluslararası Araştırmalar Dergisi, C. 7, S.,18, ss.259 - 281
• Hamilton, J. D. (1989). A New Approach to The Economic Analysis of Nonstationary Time Series and the Business Cycle. Econometrica, Vol: 57, No. 2, 357-384.
• Hamilton, J. D. (1996). Spesification Testing in Markov-Switching Time Series Models. Journal of Econometrics, Vol:70, No.1, 127-157.
• https//www. investing.com
• https://www.tcmb.gov.tr
• Karcıoğlu, R. ve Özer, A. (2014), BIST’de Hisse Senedi Getirilerini Etkileyen Faktörlerin Belirlenmesi: Statik ve Dinamik Panel Veri Analizi, Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33(1): 43-70.
• Kasman, S. (2003), The Relationship Between Rates and Stock Prices: A Casuality Analysis, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 5(2): 70-79
• Kaya, V., Çömlekçi, İ. ve Kara, O. (2013), Hisse Senedi Getirilerini Etkileyen Makroekonomik Değişkenler 2002-2012 Türkiye Örneği, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 35: 167-176
• Kiral, E. and B. Uzun, (2017). Forecasting closing returns of Borsa Istanbul Index with Markov Chain Process of the fuzzy states. Journal of Economics, Finance and Accounting (JEFA), V.4, Iss.1, p.15-24. http://doi.org/10.17261/Pressacademia.2017.362
• Koy, A. (2016). Borsa İstanbul’un Doğrusal Olmayan Dinamiklerinin Markov Rejim Değişim Modelleriyle Açıklanması, 1. Lisansüstü İşletme Öğrencileri Sempozyumu, 7-9 Nisan 2016, Gaziantep
• Kula, V. ve Baykut, E. (2017). BIST Banka Endeksi’nin (XBANK) Volatilite Yapısı’nın Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi, Bankacılar Dergisi, Sayı 102, ss.89-110
• Kutlu, M., Karakaya, A. (2019). Borsa İstanbul Tourısm Index Volatility: Markov Regime Switching ARCH Model, Journal of Yasar University, 14 (Special Issue), 18-24
• Nguyen, N. ve Nguyen, D. (2015), Hidden Markov Model for Stock Selection, Risks, 3, 455-473
• Poyraz, E. ve Tepeli, Y. (2014), ‘Seçilmiş Makro Ekonomik Göstergelerin Borsa İstanbul XU100 Endeksi Üzerindeki Etkisinin Analizi, PARADOKS Ekonomi, Sosyoloji ve Politika Dergisi, 11(2): 102-128.
• Serva, M., Fulco, U.L., Gle´ ria, I.M. , Lyra, M.L., Petroni, F. and Viswanathan, G.M. (2006). A Markov Model Of Financial Returns, Physica A, 363, 393–403
• Sezgin Alp Ö. ve E. Kırkbeşoğlu. “Sigorta Endeksi Getirisinin Doğrusal Olmayan Yapısı”, Finansal Araştırmalar ve Çalışmalar Dergisi, Cilt 7, S. 13, 2015.
• Sezgin Alp, Ö. ve Kırkbeşoğlu, E. (2015). Sigorta Endeksi Getirisinin Doğrusal Olmayan Yapısı, Finansal Araştırmalar ve Çalışmalar Dergisi • Cilt 7 • Sayı 13 • Temmuz 2015, ss. 245-260
• Sosa, M., Ortiz, E. & Cabello, A. (2018). Dynamic Linkages Between Stock Market and Exchange Rate in MILA Countries: A Markov Regime Switching Approach (2003-2016). Análisis Económico, 33(83), 57-74.
• Şenol, Z. (2020). Borsa Oynaklığının Markov Rejim Dönüşüm Yöntemiyle Analizi, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi XLIX, 2020/2, 246-256
• TSPB (Türkiye Sermaye Piyasaları Birliği) (2020), Türkiye Sermaye Piyasası Raporu 2019, Erişim: https://www.tspb.org.tr/tr/yillik-yayinlar/
• Tu, J. (2010) . Is regime switching in stock returns important in portfolio decisions?, Management Science. 56, (7), 1198-1215. Research Collection Lee Kong Chian School Of Business. Available at: https://ink.library.smu.edu.sg/lkcsb_research/4774
• Wasim, A. ve Bandi, K. (2011). Identifying regime shifts in Indian stock market: A Markov switching approach. MPRA Paper ID 37174. Retrieved from https://mpra.ub.uni-muenchen.de/id/ eprint/37174
• Xaba, D., Moroke, N. D. & Rapoo, I. (2019) Modeling Stock Market Returns of BRICS with a Markov-Switching Dynamic Regression Model, Journal of Economics and Behavioral Studies (ISSN: 2220-6140) Vol. 11, No. 3, pp. 10-22
• Zolfaghari, M. ve Hoseinzade, S. (2020) Impact of exchange rate on uncertainty in stock market: Evidence from Markov regime-switching GARCH family models, Cogent Economics & Finance, 8:1, 1802806, DOI: 10.1080/23322039.2020.1802806
• Zügül, M. ve Şahin, C. (2009), İMKB 100 Endeksi İle Bazı Makroekonomik Değişkenler Arasındaki İlişkiyi İncelemeye Yönelik Bir Uygulama, Akademik Bakış, 16: 1-16.