KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI

Letife Özdemir

doi:10.25287/ohuiibf.1600186

TR EN

KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI

Abstract

2017'den sonra kripto para birimlerinde yaşanan fiyat dalgalanmaları, getiri fırsatları ve volatilite, yatırımcıların ilgisini çekerken; büyüyen işlem hacmi ve piyasa değeri, bu varlıkları geleneksel yatırımlara ek olarak yüksek kazanç ve portföy çeşitlendirme olanağı sunan bir seçenek haline getirmiştir. Buradan hareketle çalışmada piyasa değeri en yüksek üç kripto para biriminin (Bitcoin, Ethereum ve Tether USDt) 2017-2024 dönemi için volatilite düzeyleri asimetrik volatilite ölçüm modellerinden EGARCH modeli ile karşılıklı olarak incelenmektedir. EGARCH modellerine göre, Bitcoin ve Ethereum'da kötü haberler, getiri volatilitesini iyi haberlerden daha fazla etkilerken, kaldıraç etkisi gözlemlenmiştir. Buna karşılık, Tether USDt'de iyi haberlerin volatilite üzerindeki etkisi daha güçlü olup, anti-kaldıraç etkisi söz konusudur. Piyasadaki şokların, kripto paraların getiri volatilitesi üzerinde daha kalıcı bir etkiye sahip olduğu ve en çok Ethereum'un getiri oynaklığını etkilediği görülmektedir. Yarı ömür volatilite ölçüsü sonuçları, Bitcoin, Ethereum ve Tether USDt için sırasıyla 7 gün, 8 gün ve 74 gün olduğunu ortaya koymuştur. Bu durum, Bitcoin ve Ethereum’da yaşanan volatilitenin benzer sürede etkisinin kaybolduğunu, ama Tether USDt’de ise daha uzun sürdüğünü göstermektedir. Bunun sebebi Tether USdt kripto paranın stabil coin olmasıdır. Bu bağlamda, yatırımcılar ve portföy yöneticilerinin, kararlarını şekillendirirken kripto paraların asimetrik özellikleri ile oynaklık seviyelerini göz önünde bulundurmaları oldukça önemlidir.

Keywords

Kripto Para, Volatilite, EGARCH, Kaldıraç Etkisi

THE COMPARİSON OF CRYPTOCURRENCY VOLATİLİTY LEVELS WİTH THE ASYMMETRİC GARCH MODEL

Abstract

After 2017, price fluctuations, return opportunities, and volatility in cryptocurrencies have attracted the attention of investors. The growing trading volume and market capitalization have positioned these assets as an attractive option for high returns and portfolio diversification alongside traditional investments. Based on this premise, this study examines the volatility levels of the three largest cryptocurrencies by market capitalization (Bitcoin, Ethereum, and Tether USDt) for the period 2017-2024 using the EGARCH model, which measures asymmetric volatility. According to the EGARCH model, negative news has a greater impact on the return volatility of Bitcoin and Ethereum compared to positive news, and the leverage effect is observed. In contrast, for Tether USDt, positive news has a stronger influence on volatility, indicating the presence of an anti-leverage effect. Market shocks are found to have a more persistent effect on the return volatility of cryptocurrencies, with Ethereum being the most affected. The half-life volatility measure reveals that the effects of volatility dissipate within 7 days for Bitcoin, 8 days for Ethereum, and 74 days for Tether USDt. This indicates that volatility in Bitcoin and Ethereum subsides in a similar time frame, whereas in Tether USDt, it lasts significantly longer. The reason for this difference is that Tether USDt is a stablecoin. In this context, it is crucial for investors and portfolio managers to consider the asymmetric characteristics and volatility levels of cryptocurrencies when making investment decisions.

Keywords

Cryptocurrency, Volatility, EGARCH, Leverage Effect

References

Altunöz, U. (2023). Analyzing the Volatility Dynamics of Crypto Currency and the Occurrence of Speculative Bubbles: The Examples of Bitcoin, Ethereum, and Ripple. Istanbul Iktisat Dergisi, 73(73-1), 615-643. https://doi.org/10.26650/ISTJECON2023-1021393
Atik, M., Köse, Y., Yılmaz, B., ve Sağlam, F. (2015). Kripto para: bitcoin ve döviz kurları üzerine etkileri. Bartın Üniversitesi İİBF Dergisi, 6(11), 247-262.
Azari, A. (2019). Bitcoin price prediction: An ARIMA approach. ArXiv, https://arxiv.org/abs/1904.05315
Bitlo, (2024, 15 Ekim). Kripto para rehberi, Erişim adresi: bitlo.com/rehber
Brooks, C. (2008). Introductory Econometrics for Finance (2nd ed.): Cambridge University Press. http://dx.doi.org/10.1017/CBO9780511841644
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. http://dx.doi.org/10.1016/0304-4076(86)90063-1
Bouri, E., Shahzad, S. J. H., Roubaud, D., Kristoufek, L., & Lucey, B. (2020). Bitcoin, gold, and commodities as safe havens for stocks: New insight through wavelet analysis. The Quarterly Review of Economics and Finance, 77, 156-164. https://doi.org/10.1016/j.qref.2020.03.004
Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control (2nd ed.). San Francisco: Holden-Day.
Cheikh, N. B., Zaied, Y. B., & Chevallier, J. (2020). Asymmetric volatility in cryptocurrency markets: New evidence from smooth transition GARCH models. Finance Research Letters, 35, 101293. https://doi.org/10.1016/j.frl.2019.09.008
Chen, Q., Huang, Z., & Liang, F. (2024). Forecasting volatility and value-at-risk for cryptocurrency using GARCH-type models: the role of the probability distribution, Applied Economics Letters, 31(18), 1907-1914, https://doi.org/10.1080/13504851.2023.2208824

Çelik, Y. ve Koç, Y. D., (2023). Finansal piyasalar arasındaki takip ilişkisi: kripto paralar üzerine bir uygulama. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 8(3), 526-534. https://doi.org/10.29106/fesa.1304394
Çeşen, M.E., ve Koç, Y.D. (2022). Parasal fonksiyonları yerine getirebilme açısından kripto paralar: kırılgan beşli ülkeleri üzerine bir uygulama. N. Kurnaz (ed.), Güncel İşletmecilik Araştırmaları 1 içinde (s. 63-74). Konya: Eğitim Yayınevi.
Derbentsev, V., Datsenko, N., Stepanenko, O., Bezkorovainyi, V. (2019). Forecasting cryptocurrency prices time series using machine learning approach. SHS Web of Conferences. 65, 02001. https://doi.org/10.1051/shsconf/20196502001
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(366), 427-431. http://dx.doi.org/10.2307/2286348
Dutta, A., & Bouri, E. (2022). Outliers and time-varying jumps in the cryptocurrency markets. Journal of Risk and Financial Management, 15(3), 128. https://doi.org/10.3390/jrfm15030128
Dyhrberg, A. H. (2016). Bitcoin, gold and the dollar – A GARCH volatility analysis. Finance Research Letters, 16, 85-92. https://doi.org/10.1016/j.frl.2015.10.008
Enders, W. (2004). Applied Econometric Time Series (2nd ed.). Hoboken: John Wiley & Sons, Inc.
Engle, R. (2001). GARCH 101: The use of ARCH/GARCH models in applied econometrics. Journal of Economic Perspectives, 15(4), 157-168.
Ertuğrul, H.M. (2019). Kripto paraların volatilite dinamiklerinin incelenmesi: GARCH modelleri üzerine bir uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 17(4), 59-71. http://dx.doi.org/10.11611/yead.555713
Fakhfekh, M., & Jeribi, A. (2019). Volatility dynamics of crypto-currencies’ returns: Evidence from asymmetric and long memory GARCH models. Research in International Business and Finance, 51, 101075. https://doi.org/10.1016/j.ribaf.2019.101075
Fidan Keçeci, N. (2021). Kriptopara getirilerinin piyasa risklerinin karşılaştırılması. Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(1), 55-86.
Gbenro, N., & Moussa, R. K. (2019). Asymmetric mean reversion in low liquid markets: Evidence from BRVM. Journal of Risk and Financial Management, 12(1), 1-19. https://doi.org/10.3390/jrfm12010038
Gujarati, D. N. (2003). Basic Econometrics (4th ed.). New York: McGraw-HiII/lrwin.
Gupta, H., & Chaudhary, R. (2022). An Empirical study of volatility in cryptocurrency market. Journal of Risk and Financial Management, 15, 513. https://doi.org/10.3390/jrfm15110513
Hairudin, A., & Mohamad, A. (2024). The isotropy of cryptocurrency volatility. International Journal of Finance & Economics, 29(3), 3779-3810. https://doi.org/10.1002/ijfe.2857
İnvesting. (2024, 1 Temmuz). Finansal platform ve haber sitesi, Erişim adresi: https://tr.investing.com/crypto/currencies
Jang, H., & Lee, J. (2017). An empirical study on modeling and prediction of bitcoin prices with bayesian neural networks based on blockchain information. IEEEAccess, 6, 5427-5437. https://doi.org/10.1109/ACCESS.2017.2779181
Jarque, C.M., & Bera, A.K. (1987). A test for normality of observations and regression residuals. International Statistical Review, 55, 163-172. http://dx.doi.org/10.2307/1403192
Kahraman, İ. K., Küçükşahin, H., ve Çağlak, E. (2019), Kripto para birimlerinin volatilite yapısı: GARCH modelleri karşılaştırması. Fiscaoeconomia, 3(2), 21-45. https://doi.org/10.25295/fsecon.2019.02.002
Katsiampa, P. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. Economics Letters, 158, 3-6. https://doi.org/10.1016/j.econlet.2017.06.023
Kayral, İ. E. (2020). En yüksek piyasa değerine sahip üç kripto paranın volatilitelerinin tahmin edilmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 12(22), 152-168. https://doi.org/10.14784/marufacd.688447
Khan, M. & Khan, M. (2021). Cryptomarket volatility in times of COVID-19 pandemic: application of GARCH models. The Economic Research Guardian, 11(2), 170-181.
Kim, J.M., Jun, C., & Lee, J. (2021). Forecasting the volatility of the cryptocurrency market by garch and stochastic volatility. Mathematics, 9, 1614. https://doi.org/10.3390/math9141614
Koçoğlu, Ş., Çevik, Y. E. ve Tanrıöven, C. (2016). Bitcoin Piyasalarının Etkinliği, Likiditesi ve Oynaklığı. İşletme Araştırmaları Dergisi, 8(2), 77-97.
Korkmaz, T., Erdoğan, S., ve Çevik, E. İ. (2009). VOB’da işlem gören endeks ve döviz vadeli sözleşmelerin getirilerinde uzun hafıza varlığının test edilmesi. İktisat İşletme ve Finans Dergisi, 24(274), 7-32.
Kufo, A., Gjeci, A., & Pilkati, A. (2023). Unveiling the ınfluencing factors of cryptocurrency return volatility. Journal of Risk and Financial Management, 17(1), 12. https://doi.org/10.3390/jrfm17010012
Kurnaman, C. D., & Rizal, N. A. (2023). The relationship between bitcoin returns, volatility, and volume using asymmetric GARCH modelling. Journal Accounting and Finance, 7(1), 1-11. https://doi.org/10.25124/jaf.v7i1.5565
Kuzu, S., ve Çelik, İ.E. (2020). Bitcoin alternatif yatırım aracı ya da hedge enstrümanı olarak düşünülebilir mi? Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 8(2), 603-613.
Kyriazis, N. A. (2021). A survey on volatility fluctuations in the decentralized cryptocurrency financial assets. Journal of Risk and Financial Management, 14, 293. https://doi.org/10.3390/jrfm14070293
López-Cabarcos, M. Á., Pérez-Pico, A. M., Piñeiro-Chousa, J., & Šević, A. (2020). Bitcoin volatility, stock market and investor sentiment. Are they connected? Finance Research Letters, 38, 101399. https://doi.org/10.1016/j.frl.2019.101399
Mosmer S., & Başarır Ç. (2023). Türkiye’deki bireysel kripto para yatırımcılarının kripto paralara yaklaşımları. The Journal of International Scientific Researches, 8(1), 46-63.
Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: a new approach. Econometrica, 59(2), 347-370. http://dx.doi.org/10.2307/2938260
Özaydın, O., (2023). Cryptocurrency volatility: before, during and after Covid-19. İstanbul Nişantaşı Üniversitesi Sosyal Bilimler Dergisi, 2(11), 624-635. https://doi.org/10.52122/nisantasisbd.1381131
Quan, Y. X., Yang, T. X., Fei, C. Y., Cheong, C. W., & Min, L. (2023). Asymmetric volatility and risk analysis of bitcoin cryptocurrency market. Journal of Quality Measurement and Analysis, 19(2), 73-79.
Sarmini, S., Widiawati, C., Febrianti, D., & Yuliana, D. (2024). Volatility analysis of cryptocurrencies using statistical approach and GARCH model a case study on daily percentage change. Journal of Applied Data Sciences, 5(3), 838-848. https://doi.org/10.47738/jads.v5i3.261
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.
Ural, M., & Demireli, E. (2020). Asymmetrıc GARCH-type and half-life volatility modelling of USD/KZT exchange rate returns. Eurasian Research Journal, 2(2), 7-18.
Vurur, N. S. (2021). The asymmetric effect of panic ındex on cryptocurrencies. Frontiers in Applied Mathematics and Statistics, 7, 661388. https://doi.org/10.3389/fams.2021.661388
Wang, C. (2022). Different GARCH models analysis of returns and volatility in Bitcoin. Data Science in Finance and Economics, 2(3), 205-208.
Yermack, D. (2013). Is Bitcoin a Real Currency? An economic appraisal. NBER Working Paper No. 19747, National Bureau of Economic Research, 1-12.
Yıldırım, H., & Bekun, F. V. (2023). Predicting volatility of bitcoin returns with ARCH, GARCH and EGARCH models. Future Business Journal, 9(1), 1-8. https://doi.org/10.1186/s43093-023-00255-8

Details

Primary Language

Turkish

Subjects

Finance

Journal Section

Research Article

Authors

Letife Özdemir ^*
0000-0002-8636-2277
Türkiye

Publication Date

January 30, 2025

Submission Date

December 12, 2024

Acceptance Date

January 27, 2025

Published in Issue

Year 2025 Volume: 18 Number: 1

DOI

https://doi.org/10.25287/ohuiibf.1600186

IZ

https://izlik.org/JA58JE28HB

APA

Özdemir, L. (2025). KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI. Academic Review of Economics and Administrative Sciences, 18(1), 493-509. https://doi.org/10.25287/ohuiibf.1600186

AMA

1.Özdemir L. KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI. Academic Review of Economics and Administrative Sciences. 2025;18(1):493-509. doi:10.25287/ohuiibf.1600186

Chicago

Özdemir, Letife. 2025. “KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI”. Academic Review of Economics and Administrative Sciences 18 (1): 493-509. https://doi.org/10.25287/ohuiibf.1600186.

EndNote

Özdemir L (January 1, 2025) KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI. Academic Review of Economics and Administrative Sciences 18 1 493–509.

IEEE

[1]L. Özdemir, “KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI”, Academic Review of Economics and Administrative Sciences, vol. 18, no. 1, pp. 493–509, Jan. 2025, doi: 10.25287/ohuiibf.1600186.

ISNAD

Özdemir, Letife. “KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI”. Academic Review of Economics and Administrative Sciences 18/1 (January 1, 2025): 493-509. https://doi.org/10.25287/ohuiibf.1600186.

JAMA

1.Özdemir L. KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI. Academic Review of Economics and Administrative Sciences. 2025;18:493–509.

MLA

Özdemir, Letife. “KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI”. Academic Review of Economics and Administrative Sciences, vol. 18, no. 1, Jan. 2025, pp. 493-09, doi:10.25287/ohuiibf.1600186.

Vancouver

1.Letife Özdemir. KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI. Academic Review of Economics and Administrative Sciences. 2025 Jan. 1;18(1):493-509. doi:10.25287/ohuiibf.1600186

Cited By

GERMAN AUTOMOBILE INDUSTRY: THE FINANCIAL IMPACTS OF BRENT OIL AND STEEL

Finans Ekonomi ve Sosyal Araştırmalar Dergisi

https://doi.org/10.29106/fesa.1589578

Ömer Halisdemir Universitesi Iktisadi ve Idari Bilimler Fakültesi Dergisi (OHUIIBF) is licensed under the Creative Commons Attribution-Noncommercial-Pseudonymity License 4.0 international license.