Yarının Fiyatının Simülasyonu: Döviz Bölgelerine Kantil Temelli Bir Yaklaşım, USD/CHF Örneği

Öz

Çalışmanın amacı, USD/CHF döviz paritesinde kârı maksimize ederken maliyeti minimize etmeye yönelik optimal fiyat aralıklarının belirlenmesi için karar destek çerçevesi geliştirmektir. Geleneksel nokta-tahminine dayalı modellerden farklı olarak, önerilen yaklaşım aralık-temelli öngörü ve optimizasyona odaklanmaktadır. Bu doğrultuda öncelikli olarak, bir sonraki günün oynaklık bandını olasılıksal modelleme tekniiği ile ön görebilmek için, volatilite harmonizasyonu ile bütünleştirilmiş Kuantil Regresyon ve Monte Carlo simülasyonları uygulanmıştır. Elde edilen bu aralıklar, beklenen getiriler ve birbirine bağlı riskler doğrultusunda dinamik olarak işlem açma, kâr alma ve zarar durdurma seviyelerini belirleyen bir kâr optimizasyon modeline girdi olarak hizmet etmektedir. Buna paralel olarak, volatilite kümelenmesini yakalayabilmek için GARCH modelleri kurulmuş ve çeşitli işlem senaryolarının performansını değerlendirmek amacıyla senaryo simülasyonları gerçekleştirilmiştir. Sonuç olarak, bu modelleme yaklaşımları, Monte Carlo simülasyonlarının Garch tabanlı oynaklık değerleriyle birleştirilmesiyle sağlanan ayrı kantil bölgeleri üzerindeki dissimetrik örüntülerin yakalanmasında gerçek zamanlı verimlilik sunarken, özellikle kaotik piyasa durumlarında türetilmiş fiyat kanallarının geçerliliğinin iyileştirilmesinde de kullanılabileceğini gösterdi.

Anahtar Kelimeler

• Kantil Regresyon Analizi
• Monte Carlo Simülasyonu
• GARCH Modeli
• Döviz (Forex) Piyasası
• İşlem Tekniği

Simulating Tomorrow’s Price: A Quantile-Based Approach to Forex Zones, USD/CHF Case

Abstract

The main goal of the research is defined as designing an agile decision support framework for determination of optimal valuation intervals in the USD/CHF currency couple to optimize profit and cost. Therefore, the pricing ranges are tried to be defined by the utilizations of Quantile Regression Model with the integration of Monte Carlo simulations for testing the price actions for the next day. The computed intervals are respectively implemented for expected returns with risk-based approaches by the adoption of time series data from United States Central Bank’s official website. Then as well, GARCH models are utilized to grab volatility swarming, and scenario simulations are processed to evaluate the risks and effectiveness of multiple trading formations. Consequently, an optimization engine based on grid search and evolutionary algorithms are occupied picked out to define varying formations that maximize expected utility while minimizing drawdown and transaction charges. As a result, these modeling approaches showed real time efficiency for catching the dyssymetric patterns over separate quantile regions, which provided by the combinations of Monte Carlo simulations with Garch-based volatility values that can improve the validity of derived price channels, particularly at chaotic market cases.

Keywords

• Quantile Regression Analysis
• Monte Carlo Simulation
• Garch Model
• Foreign Exchange (Forex) Market
• Trading Technique

References

1. Ang, A., & Timmermann, A. (2012). Regime Changes and Financial Markets. Annual Review of Financial Economics, 4, 313-337. doi:10.1146/annurev-financial-110311-101808
2. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. doi:10.1016/0304-4076(86)90063-1
3. Cheng, X., Renault, E., & Sangrey, P. (2025). Identifying the volatility risk price through the leverage effect. Journal of Econometrics, 248. doi:10.1016/j.jeconom.2024.105943
4. Christoffersen, P. (1998). Evaluating Interval Forecasts. International Economic Review, 841-862. doi:10.2307/2527341
5. Danila, N., & Aggarwal, P. (2025). Foreign exchange market herd behaviour: empirical study in ASEAN-5 countries. Asian Journal of Accounting Research, 10(1), 63-75. doi:10.1108/AJAR-11-2023-0381
6. Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007. doi:10.2307/1912773
7. Geldner, T. (2025). Exchange rates and trade balance dynamics: a quantile regression analysis. Applied Economics, 57(10), 1070-1104. doi:10.1080/00036846.2024.2311067
8. Grassi, S., & Violante, F. (2025). Generalized Autoregressive Conditional Betas: Longitudinal Feedback in Multifactor Asset Pricing. Journal of Business & Economic Statistics. doi:10.1080/07350015.2025.2478984

9. Hamilton, J. D. (1989). A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle. Econometrica, 57(2), 357-384. doi:10.2307/1912559
10. Huang, S., Gubareva, M., Teplova, T., & Bossman, A. (2024). African forex markets: Modeling their predictability and the asymmetric effects of oil and geopolitical risk. Energy Economics, 136. doi:10.1016/j.eneco.2024.107679
11. Irani, F., Al. Al. Hadood, A., Gokmenoglu, K., & Athari, S. A. (2025). Impact of Financial Market uncertainty and Financial Crises on Dynamic Stock-Foreign Exchange Market Correlations: A New Perspective. SAGE Open, 15(1). doi:10.1177/21582440251314719
12. Koenker, R. (2005). Quantile Regression. Cambridge University Press. doi:10.1017/CBO9780511754098
13. Koenker, R., & Bassett, G. (1978). Regression Quantiles. Econometrica, 46(1), s. 33-50. doi:10.2307/1913643
14. Koenker, R., & Hallock, K. F. (2001). Quantile Regression. Journal of Economic Perspectives, 15(4), 143-156. doi:10.1257/jep.15.4.143
15. Meo, M. S., Afshan, S., Ben Zaied, Y., & Staniewski, M. (2025). The Resilience of Green Bonds During Market Turmoil: Implications for Investors and Policymakers. International Journal of Finance & Economics. doi:10.1002/ijfe.3099
16. Qabhobho, T. (2023). Assessing the Asymmetric Effect of Local Realized Exchange Rate Volatility and Implied Volatilities in Energy Market on Exchange Rate Returns in BRICS. International Journal of Energy Economics and Policy, 13(2), 231-239. doi:10.32479/ijeep.13685
17. Robiyanto, R., Agustina, F. D., Utami, I., Frensidy, B., & Huruta, A. D. (2025). Potential of environmental, social, and governance investment as a hedge in Indonesia during COVID-19 pandemic. Cogent Social Sciences, 11(1). doi:10.1080/23311886.2024.2447909
18. Taylor, S. J. (2007). Modelling Financial Time Series. World Scientific Publishing. https://books.google.com.tr/books?hl=tr&lr=&id=KQ5pDQAAQBAJ&oi=fnd&pg=PR7&dq=Taylor,+S.+J.+(2007).+Modelling+financial+time+series+(2nd+ed.).+World+Scientific.&ots=neRFVimwKO&sig=Dx1stTFUA_7Sg5COcDWGp2jptsk&redir_esc=y#v=onepage&q&f=false adresinden alındı
19. Tsay, R. S. (2010). Analysis of Financial Time Series. doi:10.1002/9780470644560
20. Yu, K., & Moyeed, R. A. (2001). Bayesian quantile regression. Statistics & Probability Letters, 437-447. doi:10.1016/S0167-7152(01)00124-9
21. Zixin, L., Jun, H., Zhang, S., & He, Z. (2024). Risk spillovers among oil, gold, stock, and foreign exchange markets: Evidence from G20 economies. North American Journal of Economics and Finance, 74. doi:10.1016/j.najef.2024.102249