Modelling Volatility: Nasdaq 100 Index Example

Year 2024, Volume: 8 Issue: 1, 139 - 153, 30.04.2024

Mehmet Erkan Soykan

https://doi.org/10.29216/ueip.1411680

Abstract

In this study, it is aimed to estimate and model the volatility of the Nasdaq 100 index, which consists of technology-oriented companies in the USA. Weekly data between 09/01/1998 and 10/11/2023 is used in the analysis. Observations that deviate extremely from the data are eliminated, and break dates in the variance are also determined. In the analysis, a total of 11 different GARCH models are compared according to the Akaike information criterion and the model that models the index best is tried to be determined. According to analysis results, it is determined that the most appropriate model for the student distribution is ARMA (5,5)-EGARCH model according to the Akaike criterion. When the distribution is changed to GED (Generalized Error Distribution) instead of student distribution, the best model becomes FIEGARCH. Also EGARCH becomes the second best model in GED distribution.

Keywords

Nasdaq-100 Index, volatility modelling, GARCH models

Volatilitenin Modellenmesi: Nasdaq 100 Endeksi Örneği

Abstract

Bu çalışmada ABD’de teknoloji ağırlıklı firmalardan oluşan Nasdaq 100 endeksinin volatilitesinin tahmini ve modellenmesinin gerçekleştirilmesi amaçlanmaktadır. Analizde 09/01/1998 ile 10/11/2023 tarihleri arasındaki haftalık veriler kullanılmaktadır. Veri sapan gözlemlerden arındırılmakta, ayrıca varyansta kırılma tarihleri de saptanmaktadır. Analizde Akaike bilgi kriterine göre toplam 11 adet farklı Genelleştirilmiş Otoregresif Koşullu Değişen Varyans (GARCH) sınıfı model kıyaslanmakta ve endeksi en iyi modelleyen model tespit edilmeye çalışılmaktadır. Analiz sonuçlarına göre student dağılımı için en uygun modelin Akaike bilgi kriterine göre ARMA(5,5)-EGARCH (Üssel GARCH) olduğu belirlenmiştir. Dağılım student yerine GED (Genelleştirilmiş hata dağılımı) yapıldığında ise en uygun model Parçalı Bütünleşik Üssel GARCH (FIEGARCH) çıkmaktadır. Ayrıca Üssel GARCH (EGARCH) modelinin de sıralamada en iyi ikinci model olduğu görülmektedir.

Keywords

Nasdaq 100 Endeksi, volatilite modellemesi, GARCH modelleri

References

• About Nasdaq (2024). Erişim Adresi: ir.nasdaq.com/news-releases/news-release-details/nasdaq-host-2024-investor-day
• Akel, Veli (2011). Kriz Dönemlerinde Finansal Piyasalar Arasındaki Oynaklık Yayılma Etkisi. Detay Yayıncılık: Ankara.
• Aliyev, F., Ajayi, R. and Gasim, N. (2020). Modelling Asymmetric Market Volatility with Univariate GARCH Models: Evidence from Nasdaq-100. The Journal of Economic Asymmetries, 22, 1-10.
• Altun, E. (2018). A New Approach to Value-At-Risk: GARCH-Tslx Model with Inference. Communication in Statistics-Simulation and Computation, 49(12), 3134-3151.
• Altuntaş, S.T. ve Çolak, F.D. (2015). BİST-100 Endeksinde Volatilitenin Modellenmesi ve Öngörülmesinde ARCH Modelleri, İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü Yönetim Dergisi, 26(79), 208-223
• Andersen, T.G., Bollerslev, T., Diebold, F.X. and Ebens, H. (2001). The Distribution of Realized Stock Return Volatility. Journal of Financial Economics, 61(1), 43-76.
• Arashi, M. and Rounaghi, M.M. (2022). Analysis of Market Efficiency and Fractal Feature of NASDAQ Stock Exchange: Time Series Modelling and Forecasting of Stock Index Using ARMA-GARCH Model, Future Business Journal, 8(1), 1-12.
• Bodart, V. and Candelon, B. (2009). Evidence of Interdependence and Contagion Using a Frequency Domain Framework, Emerging Markets Review, 10(2), 140-150.
• Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 31(3), 307-327.
• Box, G. E. P. and Jenkins, G.M. (1976). Time Series Analysis Forecasting and Control. San Francisco Holden-Day.
• Brooks, C. (1998). Predicting Stock Index Volatility: Can Market Volume Help?. Journal of Forecasting, 17, 59-80.
• Caporale, G.M. and Gil-Alana, L.A. (2010). Estimating Persistence in The Volatility of Asset Returns with Signal Plus Noise Models. DIW Berlin German Institute for Economic Research, Discussion Paper, 1-18.
• Chang, T.G., Wang, H. and Yu, S. (2019). A GARCH Model with Modified Grey Prediction Model for US Stock Return Volatility. Journal of Computational Methods in Sciences and Engineering, 19(1), 197-208.
• Chen, C.H., Yu, W.C. and Zivot, E. (2012). Predicting Stock Volatility Using After-Hours Information: Evidence from The NASDAQ Actively Traded Stocks. International Journal of Forecasting, 28(2), 2012, 366-383.
• Çağlayan, E. ve Dayıoğlu, T. (2009). Döviz Kuru Getiri Volatilitesinin Koşullu Değişen Varyans Modelleri ile Öngörüsü. Ekonometri ve İstatistik, 9, 1-16
• Çevik, O. (1999). Zaman Serileri Analizinde Box-Jenkins Yöntemi ve Turizm Verileri Üzerine Bir Uygulama. (Yayımlanmamış Doktora Tezi). Kırıkkale Üniversitesi Sosyal Bilimler Enstitüsü, Kırıkkale.
• Demirel, E. (2023). BİST 100 ve Seçilmiş Ülke Endeksleri Arasındaki Volatilite Yayılım Etkisi: Diyagonal VECH GARCH Modeli. Uluslararası Ekonomi, İşletme ve Politika Dergisi, 7(1), 104-117.
• Eraslan, M. (2022). Pay Senedi Endeksleri ile Endeks Vadeli İşlemler Arasındaki Volatilite İlişkisi: Türkiye ve Dünya Örnekleri Arasında Karşılaştırmalı Analiz. (Yayımlanmamış Doktora Tezi), Sivas Cumhuriyet Üniversitesi Sosyal Bilimler Enstitüsü, Sivas.
• Gürbüz, S. (2018). Türev Piyasaların Hisse Senedi Piyasaları Oynaklığına ve İstikrarına Etkileri: BİST 30 Örneği. (Yayımlanmamış Doktora Tezi). Necmettin Erbakan Üniversitesi Sosyal Bilimler Enstitüsü, Konya.
• Işıklar, Z. E. (2016). İMKB Ulusal 100 Endeksi Getiri Volatilitesinin Analizi Üzerine Bir Araştırma. Selçuk Üniversitesi Sosyal ve Teknik Araştırmalar Dergisi, 12, 245-260.
• Kaya, E. (2019). Zaman Serileri Analizinde Box-Jenkins Yöntemi ile Savunma Sanayi Verileri Üzerine Bir Uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Karamanoğlu Mehmet Bey Üniversitesi Sosyal Bilimler Enstitüsü, Karaman.
• Knutli, A.N. (2023). Bitcoin Vs. Traditional Indices-Analysing Performance And Risk Metrics For Long-Term Savings. (Yayımlanmamış Yüksek Lisans Tezi). Oslo Metropolitan Üniversitesi, Oslo.
• Li, M., Li, W.K. and Li, G. (2015). A New Hyberbolic GARCH Model, Journal of Econometrics, 189(2), 428-436.
• Lu, Y.K and Perron, P. (2010). Modelling and Forecasting Stock Return Volatility Using a Random Level Shift Model, Journal of Empirical Finance, 17(1), 138-156.
• Mert, M. ve Çağlar, A.E. (2019). Eviews ve Gauss Uygulamalı Zaman Serileri Analizi. Detay Yayıncılık: Ankara. NASDAQ Nedir? (2023). Erişim Adresi: www.trive.com.tr/blog/nasdaq-nedir
• Özdemir, Letife (2011). Vadeli İşlem Piyasası ile Spot Piyasa Oynaklığı Arasındaki İlişki: İzmir Vadeli İşlem ve Opsiyon Borsası Üzerine Bir Uygulama. (Yayımlanmamış Doktora Tezi), Afyon Kocatepe Üniversitesi Sosyal Bilimler Enstitüsü, Afyonkarahisar.
• Rahman, S., Lee, C.F. And Ang, K.P. (2002). Intraday Return Volatility Process: Evidence from NASDAQ Stocks. Review of Quantitative Finance and Accounting, 19, 155-180.
• Refinitiv Eikon (2023). Erişim Adresi: Https://Eikon.Refinitiv.Com
• Sanso, A., Arago, V. and Carrion, J.L. (2004). Testing for Change in The Unconditional Variance Of Financial Time Series. Revista De Economia Financiera, 4, 32-53.
• Schwert, G.W. (2002). Stock Volatility In The New Milennium: How Wacky Is Nasdaq?. Journal of Monetary Economics, 49, 3-26.
• Sevüktekin, M. ve Nargeleçekenler, M. (2006). İstanbul Menkul Kıymetler Borsasında Getiri Volatilitesinin Modellenmesi ve Önraporlanması, Ankara Üniversitesi SBF Dergisi, 61(4), 243-265.
• Telçeken, N. (2014). Volatilite Endeksleri, Önemi ve Türkiye Volatilite Endeksi. (Yayımlanmamış Doktora Tezi). İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
• Tuna, K. ve İsabetli, İ. (2014). Finansal Piyasalarda Volatilite ve Bist-100 Örneği, Kocaeli Üniversitesi Sosyal Bilimler Dergisi, 27, 21-31.
• Türkyılmaz, S. ve Balıbey, M. (2014). Türkiye Hisse Senedi Piyasası Oynaklığındaki Asimetrik Uzun Hafıza Özelliği. Gazi Üniversitesi Bankacılık ve Finansal Araştırmalar Dergisi, 1(1), 1-10.
• Uğurlu, E., Thalassinos, E. and Muratoğlu, Y. (2014). Modelling Volatility in The Stock Markets Using GARCH Models: European Emerging Economies and Turkey. International Journal in Economics and Business Administration, 2(3), 72-87.
• Verardi, V. and Vermandele, C. (2018). Univariate and Multivariate Outlier Identification for Skewed or Heavy-Tailed Distributions. The Stata Journal, 18(3), 517-532.
• Wu, C. (2004). Information Flow, Volatility and Spreads of Infrequently Traded Nasdaq Stocks. The Quarterly Review of Economics and Finance, 44, 20-43.
• Yıldırım, D.Ç., Çevik, E.İ. and Esen, Ö. (2020). Time-Varying Volatility Spillovers Between Oil Prices and Precious Metal Prices. Resources Policy, 68, 1-14.
• Yu, J. (2002). Forecasting Volatility in The New Zealand Stock Market. Applied Financial Economics, 12, 193-202.