VOLATİLİTE VE ASİMETRİK FİYAT HAREKETLERİ ÜZERİNE BİR İNCELEME: BIST100 ÖRNEĞİ

Öz

Savaşlar, ekonomik krizler ve salgın hastalıklar piyasadaki güvenin azaldığı ve kırılganlığın arttığı dönemlerdir. Bu sebeple karar alıcıların likiditeyi nasıl yönlendireceğini bilmesi için kırılganlık seviyesini gösteren bir göstergeye ihtiyaç olmaktadır. Volatilite (Oynaklık) bu piyasaların kırılganlığını gösteren bir göstergedir. Günlük artış ya da azalışın incelenerek karar vericinin fikir sahibi olabileceği yüz üzerinden not verilen bir puan sistemidir. Bu çalışmada Amerika Birleşik Devletleri, Japonya, Almanya, Türkiye, Hindistan ve Çin Halk Cumhuriyeti borsalarının 12 Ocak 2018 – 31 Aralık 2022 dönemi için 1.267 günlük hisse senedi getirileri kullanılarak oynaklık ve oynaklık yayılımları belirlemesi amaçlanmıştır. Oluşturulan GARCH (1,2) modeli istatistiksel olarak %1 düzeyinde anlamlı çıkmıştır ve model geçerlidir. Borsa İstanbul 100 endeksinin volatilitesini modellemek için oluşturulan GARCH modelinde DAX (Almanya) değişkeni anlamlıdır. Oynaklık yayılımını belirlemek için oluşturulan EGARCH (1,2) modeline göre; asimetrik etki parametresi (λ) negatiftir ve istatistiki olarak %1 için olarak anlamlıdır. Borsa İstanbul 100 endeksinde asimetrik etki yani kaldıraç etkisi geçerlidir. Ayrıca DAX (Almanya) ve NIFTY (Hindistan) endekslerinden Borsa İstanbul 100 endeksine doğru oynaklık yayılımı bulunmaktadır.

Anahtar Kelimeler

• Asimetrik Fiyat Hareketleri
• Volatilite
• Asimetrik Bilgi
• Fiyat Modelleri

A STUDY ON THE VOLATILITY AND ASYMMETRIC PRICE MOVEMENTS: BIST100 CASE

Öz

Wars, uncured diseases and economical crisises are the times in which trust for economy comes down and volatility is increased. Because of this, decision makers the investors needed to have an indicator to arrange the flow of the liqudity, in which direction and in which ratio. Volatility is a measure to visualize the vulnerability and instability. This is a metric with the type of ratio scale and never exceeded 100 point. The study aims to determine the volatility and volatility spread by using the 1.267-day stock returns of United States, Germany, Japan, Turkey, India and China for the period of 12 January 2018 - 31 December 2022. The created GARCH (1,2) model is statistically significant at the 1% level and the model is valid. The DAX (Germany) variable is significant in the GARCH model created to model the volatility of the Borsa Istanbul 100 Index. According to the EGARCH (1,2) model created to determine the volatility spread, the asymmetric effect parameter (λ) is negative and statistically significant for 1%. The asymmetric effect is valid in the Borsa Istanbul 100 Index. There is also a volatility spillover from DAX (Germany) and NIFTY (India) to Borsa Istanbul 100 Index.

Anahtar Kelimeler

• Asymmetric price movements
• Volatility
• Asymmetric information
• Price Models

Kaynakça

1. Akerlof, G. A. (1978). The market for “lemons”: Quality uncertainty and the market mechanism. In Uncertainty in economics (). Academic Press, 84 (3), 488 500.
2. Akgün, I. & Sayyan, H. (2007). İMKB-30 hisse senedi getirilerinde volatilitenin kısa ve uzun hafızalı asimetrik koşullu değişen varyans modelleri ile öngörüsü. Iktisat Isletme ve Finans, 22 (250), 127-141.
3. Akkaya, M. (2021a). An Analysis of the Stock Market Volatility Spread in Emerging Countries. Istanbul Business Research, 50(2), 215-233.
4. Akkaya, M. (2021b). Hisse Senedi Piyasalarında Oynaklık Yayılımı Analizi: Türkiye Örneği. Adıyaman Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (38), 486-514.
5. Atakan, T. (2009). İstanbul Menkul Kıymetler Borsasında değişkenliğin (volatilitenin) ARCHGARCH yöntemleri ile modellenmesi. Yönetim Dergisi, 62, 48-61.
6. Baykut, E. & 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.
7. Bayramoglu, M. F. & Abasiz, T. (2017). Gelismekte Olan Piyasa Endeksleri Arasinda Volatilite Yayilim Etkisinin Analizi/Analysis of Volatility Spreading Effect Between Developing Market Indices. Muhasebe ve Finansman Dergisi, (74).
8. Black, F. & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of political economy, 81(3), 637-654.

9. Bollerslev, T. (1986),. A Conditionally Heteroskedastic Time Series Model for Speculative Prices and Rates of Return. Review of Economics and Statistics, 69, 542-547.
10. Brenner, M. & Galai, D. (1989). New financial instruments for hedge changes in volatility. Financial Analysts Journal, 45(4), 61-65.
11. Brunnermeier, M. K. & Brunnermeier, M. K. (2001). Asset pricing under asymmetric information: Bubbles, crashes, technical analysis, and herding. Oxford University Press on Demand.
12. Brooks, C. (2008). RATS Handbook to accompany introductory econometrics for finance. Cambridge Books.
13. Chen, N. F., Roll, R. & Ross, S. A. (1986). Economic forces and the stock market. Journal of business, 383-403.
14. Cutler, D. M., Poterba, J. M., & Summers, L. H. (1988). What moves stock prices? NBER working Paper 2538.
15. Çelik, İ., Özdemir, A. & Gülbahar, S. D. (2018). Gelişmekte Olan Ülkelerde Getiri ve Volatilite Yayılımı: NIMPT Ülkelerinde VAR-EGARCH Uygulaması. Finans Politik & Ekonomik Yorumlar, 55(636), 9-24.
16. Değirmenci, N. & Abdioğlu, Z. (2017), Finansal piyasalar arasındaki oynaklık yayılımı. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (54), 107-125.
17. Demir, İ. & Çene, E. (2012). IMKB 100 endeksindeki kaldıraç etkisinin ARCH modelleriyle iki alt dönemde incelenmesi/Investigating leverage effect on Turkish stock market with ARCH models within two sub-groups. Istanbul Üniversitesi Işletme Fakültesi Dergisi, 41(2), 214.
18. 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.
19. Demirgil, H. & Gök, İ. Y. (2014). Türkiye Ve Başlıca AB Pay Piyasaları Arasında Asimetrik Volatilite Yayılımı. Yönetim ve Ekonomi Araştırmaları Dergisi, 12(23), 315-340.
20. Doğanay, M. M. (2003). İMKB DİBS Fiyat Endekslerinin Volatilite ve Kovaryanslarının Öngörülmesi. İMKB Dergisi, 27, 17-37.
21. Doğru, E. & Medetoğlu, B. (2023). Bıst Banka Endeksi (Xbank) İle Gelişmiş Ülke Bankacılık Endeksleri Arasındaki Volatilite Etkileşiminin Dcc-Garch Modeli İle Analizi. Anadolu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(1), 75-90.
22. Dornbusch, R., Park, Y. C. & Claessens, S. (2000). Contagion: How it spreads and how it can be stopped. World Bank Research Observer, 15(2), 177-197.
23. Duran, S. & Şahin, A. (2006). İMKB Hizmetler, Mali, Sınai ve Teknoloji Endeksleri Arasındaki İlişkinin Belirlenmesi. Gaziosmanpaşa Üniversitesi Sosyal Bilimler Araştırmaları Dergisi, 13, 1,57-70.
24. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the econometric society, 987-1007.
25. Engle, R. F. & Ng, V. K. (1993). Measuring and testing the impact of news on volatility. The journal of finance, 48(5), 1749-1778.
26. Er, Ş. & Fidan, N. (2013). Modeling Istanbul Stock Exchange-100 Daily Stock Returns: A Nonparametric GARCH Approach. Journal of Business, Economics & Finance, 2 (1), 36-50.
27. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417.
28. Fama, E. F. (1990). Stock returns, expected returns, and real activity. The journal of finance, 45(4), 1089-1108.
29. Fama, E. F. (1998). Market efficiency, long-term returns, and behavioral finance. Journal of financial economics, 49(3), 283-306.
30. Fama, E. F. & French, K. R. (1988). Dividend yields and expected stock returns. Journal of financial economics, 22(1), 3-25.
31. Fry, R., Martin, V. L. & Tang, C. (2008). A new class of tests of contagion with applications to real estate markets. Centre For Applied Macroeconomics Analyses Working Paper Series, 1.
32. Guru, A. (2009). What Moves Stock Prices and How. NSE Newletter. Masson, M. P. R. (1998). Contagion: Monsoonal effects, spillovers, and jumps between multiple equilibria. International Monetary Fund.
33. McMillan, D. G., Berke, B. & Bajo‐Rubio, O. (2016). The Behaviour of Asset Return and Volatility Spillovers in Turkey: A Tale of Two Crises. Available at SSRN 2832803.
34. Mishkin, F. S. (1991). A multi-country study of the information in the shorter maturity term structure about future inflation. Journal of International Money and Finance, 10(1), 2- 22.
35. Nelson D. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347 – 370.
36. Sevüktekin, M., & Nargeleçekenler, M. (2006). İstanbul Menkul Kiymetler Borsasinda Getiri Volatilitesinin Modellenmesi ve Önraporlanmasi. Ankara Üniversitesi SBF Dergisi, 61(4), 243-265.
37. Sewell, M. (2011). History of the efficient market hypothesis. Rn, 11(04), 04.
38. Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The journal of finance, 19(3), 425-442.
39. Stiglitz, J. E. (1981). Information and capital markets. National Bureau of Economic Research nr w0678.
40. Tunç, A. ve Atıcı, F.Z. (2020). Troya Academy. Erişim Tarihi: 12.10.2020.
41. Tülin, A. (2009). İstanbul Menkul Kıymetler Borsasında Değişkenliğin (Volatilitenin) ARCHGARCH Yöntemleri ile Modellenmesi. İstanbul Üniversitesi, İşletme Fakültesi, İşletme İktisadı Enstitüsü Yönetim Dergisi, (62).
42. Yavas, B. F. & Dedi, L. (2016). An investigation of return and volatility linkages among equity markets: A study of selected European and emerging countries. Research in International Business and Finance, 37, 583-596.
43. Yıldız, B. (2016). Oynaklık Tahmininde Simetrik ve Asimetrik GARCH Modellerinin Kullanılması: Seçilmiş BİST Alt Sektör Endeksleri Üzerine Bir Uygulama. Journal of Accounting & Finance, 72.