Analysis of Volatility Structure Using Conditional Heteroscedasticity Models: The Case of Participation 30 and Participation 50 Indexes

Year 2024, Volume: 11 Issue: 1, 66 - 84, 31.03.2024

Turan Öndeş Muhammet Levet

https://doi.org/10.30798/makuiibf.1097687

Abstract

This study aims to determine the most suitable model that explains the volatility structures of the Participation 30 and Participation 50 indexes traded in Borsa Istanbul (BIST). In order to determine the volatility structures of the aforementioned indexes; ARCH, GARCH, EGARCH, TGARCH, and PARCH models, which are called conditional heteroscedasticity models, are included in the analysis. As a result of the study, in which the weekly closing prices of the 2015-2020 period were used, it was determined that the most suitable volatility model for both indexes was the EGARCH (1,1) model and that the negative shocks in the indexes were more effective than the positive shocks. Another finding was that the effect of a shock in the indexes lasted approximately 32 days in the Participation 30 index and 28 days in the Participation 50 index.

Keywords

Volatility, Volatility Structure, BIST, Participation Indexes

Koşullu Değişen Varyans Modelleri ile Volatilite Yapısı Analizi: Katılım 30 ve Katılım 50 Endeksleri Üzerine Bir Uygulama

Abstract

Çalışmanın amacı, Borsa İstanbul’da (BIST) işlem gören Katılım 30 ve Katılım 50 endekslerinin volatilite yapılarını açıklayan en uygun modeli belirlemektir. Söz konusu endekslerin volatilite yapılarını tespit etmek için koşullu değişen varyans modelleri olarak adlandırılan ARCH, GARCH, EGARCH, TGARCH ve PARCH modelleri analiz kapsamına dâhil edilmiştir. 2015-2020 dönemine ait haftalık kapanış fiyatlarının kullanıldığı çalışmanın sonucunda; iki endeks için de uygun olan volatilite modelinin EGARCH (1,1) modeli olduğu belirlenmiş ve endekslerde meydana gelen negatif şokların pozitif şoklardan daha etkili olduğu tespit edilmiştir. Ayrıca endekslerde meydana gelen bir şokun etkisinin; Katılım 30 endeksinde yaklaşık olarak 32 gün, Katılım 50 endeksinde ise 28 gün sürdüğü sonucuna ulaşılmıştır.

Keywords

Volatilite, Volatilite Yapısı, BIST, Katılım Endeksleri

Thanks

Değerli hocam İlginiz için şimdiden teşekkür eder, iyi çalışmalar dilerim.

References

• Akay, H. K. ve Nargeleçekenler, M. (2006). Finansal piyasa volatilitesi ve ekonomi. Ankara Üniversitesi SBF Dergisi, 61(4), 5-36.
• Alberg, D., Shalit, H. ve Yosef, R. (2008). Estimating stock market volatility using asymmetric GARCH models. Applied Financial Economics, 18(15), 1201-1208.
• Angabini, A. ve Wasiuzzaman, S. (2010). Impact of the global financial crisis on the volatility of the malaysian stock market. Available at SSRN: https://ssrn.com/abstract=1659548.
• Atakan, T. (2009). İstanbul menkul kıymetler borsasında değişkenliğin (volatilitenin) ARCH-GARCH yöntemleri ile modellenmesi. Yönetim Dergisi: İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü, 20(62), 48-61.
• Atıcı Ustalar, S. ve Şanlısoy, S. (2021). COVID-19 Krizi’nin Türkiye ve G7 ülkelerinin borsa oynaklıkları üzerindeki etkisi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(2), 446-462.
• Başçı, E. S. (2012). İMKB mali ve sınai endekslerinin 2002-2010 dönemi için günlük oynaklığının karşılaştırmalı analizi. İşletme Fakültesi Dergisi, Vol. 12, No. 2: 187-199.
• Baykut, E. ve Kula, V. (2018). Borsa İstanbul pay endekslerinin volatilite yapısı: BİST-50 örneği (2007-2016 yılları). Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 20(1), 279- 303.
• Çağlayan, E. ve Dayıoğlu, T. (2009). Döviz kuru getiri volatilitesinin koşullu değişen varyans modelleri ile öngörüsü. Ekonometri ve İstatistik e-Dergisi, 9, 1-16.
• Gabriel, A. S. (2012). Evaluating the forecasting performance of GARCH models. Evidence from Romania. Procedia-Social and Behavioral Sciences, 62, 1006-1010.
• Güler, A. (2017). Oynak ekonomik koşullar altında döviz kuru oynaklığının modellenmesi: Türkiye için dinamik zaman serisi analizi. International Journal of Academic Value Studies, 3(14), 39-47.
• Koy, A. ve Ekim Dertli, S. (2016). Borsa İstanbul sektör endekslerinin volatilite modellemesi. Trakya Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(2), 1-23.
• Kuzu, S. (2018). Borsa İstanbul Endeksi (BIST 100) getiri volatiletesinin ARCH ve GARCH modeli ile tahmin edilmesi. Muhasebe ve Vergi Uygulamaları Dergisi, 608-624.
• Mechri, N., Ben Hamad, S., De Peretti, C. ve Charfi, S. (2018). The impact of the exchange rate volatilities on stock markets dynamics: evidence from Tunisia and Turkey. Available at SSRN: https://ssrn.com/abstract=3304040.
• Murari, K. (2015). Exchange rate volatility estimation using GARCH models, with special reference to Indian Rupee against world currencies. IUP Journal of Applied Finance, 21(1), 22-37.
• Pederzoli, C. (2006). Stochastic volatility and GARCH: A comparison based on UK stock data. European Journal of Finance, 12(1), 41-59.
• Pehlivan, P. (2016). Türkiyede katılım bankacılığı ve bankacılık sektöründeki önemi. Sosyal Ekonomik Araştırmalar Dergisi, 16(31), 296-324.
• Sağlam, M. ve Başar, M. (2016). Döviz kuru oynaklığının öngörülmesi: Türkiye örneği. KMÜ Sosyal ve Ekonomik Araştırmalar Dergisi, 18(31), 23-29.
• Şahin, Ö., Öncü, M. A. ve Sakarya, Ş. (2015). BİST 100 ve Kurumsal Yönetim Endeksi volatilitelerinin karşılaştırmalı analizi. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(2), 107-126.
• Topaloğlu, E. E. (2020). Borsa İstanbul pay endekslerinin volatilite yapısı ve volatilite yayılımı: GARCH ve MGARCH modelleri ile BIST Sınai ve Mali Endeksleri örneği. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 63, 17-38.
• Yıldırım, H. H. ve Sakarya, Ş. (2019). BİST 30 ve Katılım 30 Endeksi volatilitelerinin karşılaştırılması. Muhasebe ve Finans İncelemeleri Dergisi, 2(2), 167-174.
• Yıldız, B. (2016). Oynaklık tahmininde simetrik ve asimetrik GARCH modellerinin kullanılması: seçilmiş BIST alt sektör endeksleri üzerine bir uygulama. Muhasebe ve Finansman Dergisi, 72, 83-106.
• Yu, J. (2002). Forecasting volatility in the New Zealand Stock Market. Applied Financial Economics, 12(3), 193-202.