AN ANALYSIS OF VOLATILITY STRUCTURE AND REGIME SWITCHING OF BIST CITY INDICES

Abstract

This study attempts to determine volatility and regime switching structure of BIST Cıty Indices over 2012-2017 period by using daily closing values. Three asymmetrical (EGARCH, TGARCH and PARCH) as well as two symmetrical (ARCH and GARCH) models were tested to reveal any asymmetrical conditions in comparing the volatilities and regime switching structure of XSADA, XSANT, XSANK, XSBAL, XSBUR, XSDNZ, XSIST, XSIZM, XSKAY, XSKOC, XSKON and XSTKR. For each model, three lagged values were calculated. TIC coefficients were used in comparing the models. The analyses of the volatility persistency reveal that XSKOC index is the most volatile and XSKAY index is the most stable according to remaining indices. The results of daily volatilities reveal that XSANT is the most volatile index while XSKOC is the most stable index. As a result of the analysis in order to determine regime structure of indices, two regimes were detected for all (12) indices which were taken into consideration.  According to findings, the indices generally prefer to stay in higher regime if they are in the high regime and they tend to shift from low regime to the high regime if they are in low regime. XSBUR Index offers significant opportunities to the investors while staying 62.06 days in the high regime period whereas XSADA index was determined as the shortest high regime-staying period through only 9.41 days. XSIZM Index was determined as the worst index based on its duration (7.18 days) for staying in low regime. On the other hand, the XSKAY Index was detected as the shortest-staying index in low regime and fastest index escape from the decline trend.

Keywords

• Financial Econometrics,Volatility Persistency,Daily Volatility,BIST City Indices,Markov Regime Switching

BİST ŞEHİR ENDEKSLERİNİN VOLATİLİTE YAPILARI VE REJİM DEĞİŞİMLERİNİN ANALİZİ

Abstract

Bu çalışmanın amacı, BİST Şehir endekslerinin volatilite ve rejim yapılarını 2012-2017 arası döneme ilişkin günlük kapanış değerleri üzerinden karşılaştırmaktır. XSADA, XSANT, XSANK, XSBAL, XSBUR, XSDNZ, XSIST, XSIZM, XSKAY, XSKOC, XSKON ve XSTKR endekslerinin volatilite ve rejim yapılarının karşılaştırmalarının yapıldığı bu çalışmada, endekslerdeki muhtemel asimetri etkisinin de ortaya çıkarılması amacıyla iki simetrik modelin (ARCH ve GARCH) yanında üç asimetrik model (TGARCH, EGARCH ve PARCH) çalışma kapsamında sınanmıştır. Model karşılaştırmaları aşamasında TIC katsayısının kullanıldığı çalışmada, volatilite ısrarcılığı bakımından diğer endekslere nazaran en volatil endeks XSKOC Endeksi iken, en stabil endeks XSKAY Endeksi’dir. Yüzdelik volatilite bakımından yapılan hesaplamalar neticesinde ise incelemeye konu olan 12 endeks içerisinde en volatil endeks XSANT Endeksi iken en stabil endeks XSKOC Endeksi olarak belirlenmiştir. Endekslerin rejim yapılarını tespit etmek için yapılan analizler neticesinde ise incelemeye konu olan 12 şehir endeksinin tamamında iki adet rejim tespit edilmiştir. Düşük ve yüksek rejim olarak elde edilen bu rejimlere göre, endeksler genel itibariyle yüksek rejimde daha fazla kalmakta ve düşük rejimden yüksek rejime geçme yönünde eğilim göstermektedirler. XSBUR Endeksi, yüksek rejim sürecinde 62.06 gün kalarak, yatırımcılar için önemli fırsatlar sunmakta iken; en kısa yüksek rejimde kalan endeks olarak ise 9.41 günlük değeriyle XSADA Şehir Endeksi tespit edilmiştir. Şehir endekslerinin düşük rejim sürecine ilişkin bulgulara bakıldığında ise, düşük rejimde en fazla kalan endeks olarak 7.18 günlük değeriyle XSİZM Endeksi karşımıza çıkmaktadır. Buna karşın düşük rejimde en kısa süre kalan ve düşüş trendinden en hızlı çıkan endeks olarak ise XSKAY Endeksi belirlenmiştir. 

Keywords

• Finansal Ekonometri,Volatilite Israrcılığı,Günlük Volatilite,BİST Şehir Endeksleri,Markov Rejim Değişimi

References

1. Aboobacker, J. (2015). Choosing the Best Performing GARCH Model for Sri Lanka Stock Market by Non-Parametric Specification Test, Journal of Data Science, 13(3), p. 457-472.
2. Akar, C. (2008). Hisse Senedi Getirilerinde Volatilite ve Otokorelasyon İlişkisi: EAR-GARCH Modeli, Elektronik Sosyal Bilimler Dergisi, 7 (23), s.134-142.
3. Akel, V. (2014). BİST Şehir Endeksleri ile Kayseri Şehir Endeksinde Yer Alan Şirketlerin Borsa Performanslarının Karşılaştırmalı Analizi, 3. Kayseri Ekonomisi Sempozyumu, 24-25 Nisan, 2014, Kayseri.
4. Aksoy, M. (2013). İstanbul Menkul Kıymetler Borsası’nda Finansal Kriz Döneminde Yabancı Yatırımcıların Hisse Senedi Tercihlerinin Analizi, İÜ Siyasal Bilgiler Fakültesi Dergisi, 48 (Mart), s.135-150.
5. Aksu, T. (2006). Gecelik Faiz Oranlarının Volatilitesinin Modellenmesinde Asimetrik GARCH Modelleri, Yayınlanmamış Yüksek Lisans Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
6. Alexander, C. (2008): Practical Financial Econometrics. John Wiley and Sons, New York, NY.
7. Altuntaş, S. T. ve Çolak, F. D. (2015). BİST-100 Endeksinde Volatilitenin Modellenmesi ve Öngörülmesinde ARCH Modelleri, İstanbul Üniversitesi İşletme İktisadı Enstitüsü Dergisi, 79, s.208-223.
8. Andersen, T. G. and Bollerslev, T. (1998). Answering the Skeptics: Yes, Standard Volatility Models Do Provide Accurate Forecasts, International Economic Review, 39(4), p.885-905.

9. Aşkın, Ö. E. ve Büyüklü, A. H. (2014). Testing the Calendar Anomalies for BIST City Indexes with Symmetric and Asymmetric GARCH Models. İktisat İşletme ve Finans, 29 (336), s.59-82.
10. Atakan, T. (2009). İstanbul Menkul Kıymetler Borsası’nda Değişkenliğin ARCH-GARCH Yöntemleri ile Modellenmesi” İşletme İktisadı Enstitüsü Dergisi - Yönetim Dergisi, Sayı 62, s.48-61.
11. Aydın, K. (2003). Riske Maruz Değer Hesaplamalarında EWMA ve GARCH Metodlarının Kullanılması: İMKB-30 Endeks Uygulaması, Yayımlanmamış Yüksek Lisans Tezi, Karaelmas Üniversitesi, Sosyal Bilimler Enstitüsü, Zonguldak, Türkiye.
12. Aygören, H. (2006). İstanbul Menkul Kıymetler Borsasında Değişkenlik (Oynaklık) Davranışı Üzerine Bir Ampirik Çalışma, İktisat İşletme ve Finans, Aralık 2006, s.95-110.
13. Başçı, E. Ş. (2011). İMKB Mali ve Sınai Endekslerinin 2002-2010 Dönemi için Günlük Oynaklığının Karşılaştırmalı Analizi, İşletme Fakültesi Dergisi, Cilt 12, Sayı 2, 2011, s.187-199.
14. Bayraktaroğlu, H. ve Çelik, İ. (2015). Kurumsal Yönetim Uygulamalarının Getiri Oynaklığı Üzerine Etkisi: Borsa İstanbul’da Bir Araştırma, AKÜ İİBF Dergisi- Cilt XVII Sayı:1 Yıl: Haziran 2015, s. 97-108.
15. Bayramoğlu, M. F. ve Pekkaya, M. (2010). İMKB Tarafından Hesaplanan Endekslerde Yeni Gelişmeler ve İMKB Şehir Endeksleri, MUFAD Journal, 45(2010), s.200-215.
16. BİST, (2009). Şehir Endeksleri, http://www.borsaistanbul.com/endeksler/bist-pay-endeksleri/sehir-endeksleri
17. Borsa İstanbul, Borsa Terimleri Sözlügü. www.borsaistanbul.com/data/kilavuzlar
18. Brooks, C. (2008). Introductory Econometrics for Finance, Cambridge University Press, Cambridge.
19. Brooks, C., 2002, Introductory Econometrics for Finance, Cambridge University Press, United Kingdom.
20. Büberkökü, Ö. (2013). GARCH Modellerinin Performanslarının Değerlendirilmesinde Riske Maruz Değer Yöntemi: İMKB-100, Mali, Sınai ve Hizmetler Endeksleri Üzerine Bir Uygulama, İktisat İşletme ve Finans, 28(330), s.81-104.
21. Çarıkçı İ. H., Kalaycı Ş. ve Gök İ. Y. (2009). Kurumsal Yönetim-Şirket Performansı İlişkisi: İMKB Kurumsal Yönetim Endeksi Üzerine Ampirik Bir Çalışma. Alanya İşletme Fakültesi Dergisi 1/1 (2009), s.51-72.
22. Çelikkol, H., Akkoc, S., ve Akarim, Y. D. (2010). The Impact of Bankruptcy of Lehman Brothers on the Volatility Structure of ISE-100 Price Index. Journal of Money, Investment and Banking, Issue 18, p.5-12.
23. Demir, İ. ve Çene, E. (2012). İMKB 100 endeksindeki kaldıraç etkisinin ARCH modelleriyle iki alt dönemde incelenmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 41(2), s.214 – 226.
24. Demirhan, D. (2013). Stock Market Reactıon to Natıonal Sportıng Success: Case of Borsa İstanbul. Pamukkale Journal of Sport Sciences, Vol.4, No.3, p.107-121.
25. Ekim, S. ve Koy, A. (2016). Borsa İstanbul Sektör Endekslerinin Volatilite Modellemesi, Trakya Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol.5 (2), s.1-13.
26. Engle R. (2001). GARCH 101: Use of ARCH/GARCH Models in Applied Econometrics, Journal of Economic Perspective,15(4), p.157-168.
27. Engle, R. (1982), “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation”, Econometrica, Volume 50, p.987-1008.
28. Er, Ş. ve Fidan, N. (2013). Modelıng Istanbul Stock Exchange-100 Daily Stock Returns: A Nonparametric GARCH Approach, Journal of Business, Economics & Finance (2013), Vol.2 (1), p.36-50.
29. Gök, İ. Y. ve Kalaycı, Ş. (2013). Endeks Futures İşlemlerin Spot Piyasa İstikrarına Etkisi: Türkiye Piyasaları Üzerine Ampirik Bir Araştırma, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, C.18, S.2, s.399-422.
30. Gökçe, A. (2001). İstanbul Menkul Kıymetler Borsası Getirilerindeki Volatilitenin ARCH Teknikleri ile Ölçülmesi, İ.İ.B.F. Dergisi, Gazi Üniversitesi, 1, 2001, s.35-58.
31. Gujaratı, D. (2011). Econometrics by Example. Palgrave Macmillan.
32. Güriş, S. ve Saçıldı, İ. S. (2011). İstanbul Menkul Kıymetler Borsası’ nda Hisse Senedi Getiri Volatilitesinin Klasik ve Bayesyen Garch Modelleri ile Analizi. Trakya Üniversitesi Sosyal Bilimler Dergisi, Cilt 13 Sayı 2, s.153-172.
33. Gürsakal, S. (2011),”GARCH Modelleri ve Varyans: İMKB Örneği ”, Ç. Ü. Sosyal Bilimler Enstitüsü Dergisi, Cilt 20, Sayı 3, s.161-178.
34. Kalaycı, Ş. (2005). The Volatility Relationship Between Stock Market and Economy: A Conditional Variance Analysis in the İstanbul Stock Exchange. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(1), s.241-250.
35. Kayalıdere, K. (2013). Volatilite Tahmin Modelleri ve Performanslarının Ölçümü. Hisse Senedi Piyasalarında Bir Uygulama, 1. Basım, Gazi Kitabevi, Ankara.
36. Kendirli, S. ve G., Karadeniz, 2012. “2008 Kriz Sonrası İMKB 30 Endeksi Volatilitesinin Genelleştirilmiş ARCH Modeli İle Tahmini”, KSU İİBF Dergisi, p. 95- 104.
37. Koima, J.K., Mwite, P. N. and Nassiuma, D. K. (2015). Volatility Estimation of Stock Prices using GARCH Method, European Journal of Business and Management, Vol.7, No.19, p.108-113.
38. Korkmaz, T. ve Aydın, K. (2002). Using EWMA and GARCH Methods in VaR Calculations: Application on ISE-30 Index. ERC/METU 6. International Conference in Economics, September 11-14, 2002, Ankara.
39. Köseoğlu, S. D. (2010). 1997-2010 Dönemi Türk Bankacılık Sektörü Risk Analizi, Niğde Üniversitesi İ.İ.B.F Dergisi, 2010, Cilt:3, Sayı:2, s.119-134.
40. Mandelbrot, B. (1963) The variation of certain speculative prices, Journal of Business, 36, p.394–419.
41. Mazıbaş, M. (2005). İMKB Piyasalarındaki Volatilitenin Modellenmesi ve Öngörülmesi: Asimetrik GARCH Modelleri ile Bir Uygulama. VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs 2005, İstanbul Üniversitesi.
42. Mugaloglu, Y, and Erdag, E. (2011). The Relationship between Stock Return Volatility and Public Disclosure: The Case of Istanbul Stock Exchange Online Public Disclosure Platform. Journal of Applied Economics and Business Research, 1(2), p. 93-102.
43. Özen, E., Özdemir, L., Grima, S. and Bezzina, F. (2014). Investigating Causality Effects in Return Volatility among Five Major Futures Markets in European Countries with a Mediterranean Connection, Journal of Financial Management, Markets and Institutions, 2(2), p. 207-220.
44. Özer, A. ve Ece, O. (2016). Vadeli İşlem Piyasalarında Anomalilerin ARCH GARCH Modelleri ile Test Edilmesi: Türkiye Vadeli İşlemler Piyasası Üzerine Bir Uygulama, Nevşehir Hacı Bektaş Veli Üniversitesi, Sosyal Bilimler Enstitüsü Dergisi 6 (2) 2016 s.1-14.
45. Posedel, P. (2005). Properties of Estimation of GARCH(1,1) Model, MetdoloskiZvezki, 2(2), p. 243-257.
46. Sevüktekin, M. ve Nargeleçekenler, M. (2006). İstanbul Menkul Kıymetler Borsasında Getiri Volatilitesinin Modellenmesi ve Ön raporlanması, Ankara Üniversitesi SBF Dergisi, C:61, Sayı:4, 2006, s.243-265.
47. Şahin, Ö. (2014). BİST’teki Endekslerin Karşılaştırmalı Analizi: BİST Kurumsal Yönetim, BİST-100, BİST-50 ve BİST-30 Endeksleri Üzerinde Bir Uygulama, Düzce Üniversitesi SBE, Yayınlanmamış Doktora Tezi, Düzce.
48. Şahin, Ö., Öncü, M. A. ve Sakarya, Ş. (2015). BİST-100 ve Kurumsal Yönetim Endeksi Volatilitelerinin Karşılaştırmalı Analizi, C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 16, Sayı 2, s.107-126.
49. Şimşek, M. (2016). Borsa İstanbul (BIST) ve BRICS Ülkelerinin Hisse Senedi Piyasalarının İlişkisi Üzerine Bir İnceleme, İnsan ve Toplum Bilimleri Araştırmaları Dergisi, Cilt: 5, Sayı: 3, 2016, s.520 -536, Ekonomi & İşletme Özel.
50. Telatar, E. ve Binay, H.S. (2002), “İMKB Endeksinin PARCH Modellemesi,” Akdeniz İİBF Dergisi, 3, s. 114-121.
51. Tokat, E. (2010). İMKB Sektör Endeksleri Arasındaki Şok ve Oynaklık Etkileşimi, BDDK Bankacılık ve Finansal Piyasalar, Cilt:4, Sayı:1, s.91-104.
52. Torun, P. ve Kutlar, A. (2013). İMKB 100 Endeksi Günlük Getirileri İçin Uygun Genelleştirilmiş Farklı Varyans Modelinin Seçimi, Erciyes Üniversitesi İİBF Dergisi, Sayı: 42, s.1-24.
53. Tuna, K. ve İsabetli, İ. (2014). “Finansal Piyasalarda Volatilite ve Bist-100 Örneği”, Kocaeli Üniversitesi Sosyal Bilimler Dergisi, 27, p. 21 – 31.
54. Wang, P. (2003). Financial Econometrics, Routledge, New York.
55. Yavan, Z. A. ve Aybar C.B. (1998). İMKB’de Oynaklık, İMKB Dergisi, 2 (6), s.35-47.
56. Zakoıan, J. M. 1994. ‘Threshold Heteroscedasticity Models.’ Journal of Economic Dynamics and Control 18 (5), p.931–944.
57. Zeren, F. (2011). İMKB Şehir Endeksleri: Tekirdağ Şehir Endeksinin İncelenmesi, 3. Trakya Bölgesi Kalkınma ve Girişimcilik Sempozyumu, Tekirdağ