Analyzing the Volatility Spillover between BRICS Countries Stock Indices and BIST-100 Index Using TVP-VAR Model

Yıl 2025, Cilt: 8 Sayı: 2, 59 - 69, 30.10.2025

Nebi Kurtan Murat Kaya

https://doi.org/10.38057/bifd.1706415

Öz

In investment processes, understanding the movements of traded financial assets is just as important as financial theories themselves. Accurate analysis of the relationships between financial assets and markets plays a decisive role in making sound investment decisions. Based on this, this study examines the relationships between the main stock market indices of Brazil (BOVESPA), Russia (RTSI), India (NIFTY50), China (SSEC), and South Africa (JTOPI), which represent the BRICS countries, and the BIST-100 index. The primary objective of the research is to reveal the volatility spillovers and the degree of interconnectedness among these countries. In the analysis conducted for these countries classified as emerging economies, a weekly dataset covering the period from 01.01.2020 to 01.01.2025 was utilized. The Time-Varying Parameter Vector Autoregressive (TVP-VAR) model was employed to capture the dynamic interconnectedness across the countries. The analysis findings indicate that, during the period under review, The stock market indices of Brazil (BOVESPA) and South Africa (JTOPI) acted as volatility transmitters, whereas those of China (SSEC), India (NIFTY50), Russia (RTSI), and Türkiye (BIST-100) served as volatility receivers.

Anahtar Kelimeler

BRICS , BIST-100 , Volatility Spillover , TVP-VAR

Etik Beyan

Since the study is a time series-based research, ethics committee approval and/or legal/special permission is not required.

Destekleyen Kurum

No financial support was received from any institution during the writing of the article.

BRICS Ülkelerinin Borsa Endeksleri ile BIST-100 Endeksi Arasındaki Volatilite Yayılımının TVP-VAR Modeli ile İncelenmesi

Öz

Yatırım süreçlerinde yalnızca finans teorileri değil, aynı zamanda piyasada işlem gören varlıkların hareketlerinin anlaşılması da büyük önem taşımaktadır. Finansal varlıklar ile piyasalar arasındaki ilişkilerin doğru bir şekilde analiz edilmesi, alınacak yatırım kararlarının isabetli olmasında belirleyici rol oynamaktadır. Buradan hareketle bu çalışmada, BRICS ülkelerini temsilen Brezilya (BOVESPA), Rusya (RTSI), Hindistan (NIFTY50), Çin (SSEC) ve Güney Afrika (JTOPI) ana borsa endeksleri ile BIST-100 endeksi arasındaki ilişkiler incelenmiştir. Araştırmanın temel amacı, bu ülkeler arasındaki volatilite yayılımı ve bağlantılılık düzeylerinin ortaya konulmasıdır. Gelişmekte olan ekonomiler kategorisinde değerlendirilen bu ülkeler için yapılan analizde, 01.01.2020 ile 01.01.2025 tarihleri arasına ait haftalık veri seti kullanılmıştır. Çalışmada, ülkeler arası dinamik bağlantılılık ilişkilerinin tespit edilmesi amacıyla Zamanla Değişen Parametreli Vektör Otoregresif (TVP-VAR) modeli tercih edilmiştir. Analiz bulguları, incelenen dönemde Brezilya (BOVESPA) ve Güney Afrika (JTOPI) borsa endekslerinin volatilite yayıcısı konumunda olduğunu buna karşılık Çin (SSEC), Hindistan (NIFTY50), Rusya (RTSI) ve Türkiye (BIST-100) borsa endekslerinin ise volatilite alıcısı olduğunu ortaya koymuştur.

Anahtar Kelimeler

BRICS , BİST-100 , Volatilite Yayılımı , TVP-VAR

Etik Beyan

Çalışmanın zaman serisine dayalı bir araştırma olması nedeniyle etik kurul izni ve/veya yasal/özel izin gerekmemektedir.

Destekleyen Kurum

Makalenin yazımı esnasında hiçbir kurumdan maddi destek alınmamıştır.

Kaynakça

• Akyıldırım, E., Güneş, H., & Çelik, İ. (2022). Türkiye’de finansal varlıklar arasında dinamik bağlantılılık: TVP-VAR modelinden kanıtlar. Gazi İktisat ve İşletme Dergisi, 8 (2), 346-363.
• Altay, E. (2015). Bankacılıkta risk - piyasa riski, kredi riski ve operasyonel riskin ölçümü ve yönetimi. Derin Yayınları.
• An, L., & Brown, D. (2010). Equity market integration between the us and BRIC countries: Evidence from unit root and cointegration test. Research Journal of International Studies, 16(1), 15-24.
• Antonakakis, N., Cuñado, J., Filis, G., Gabauer, D., & Gracia, F. P. (2019). Oil and asset classes implied volatilities: Dynamic connectedness and investment strategies (June 6, 2019). Available at SSRN: https://ssrn.com/abstract=3399996 or http://dx.doi.org/10.2139/ssrn.3399996
• Bierens, H. J. (1997). Nonparametric cointegration analysis. Journal of Econometrics, 77(2), 379-404.
• Bierens, H. J. (2004). Introduction to the mathematical and statistical foundations of econometrics. Cambridge University Press.
• Bozoklu Ş., & Saydam, M. İ. (2010). BRIC ülkeleri ve Türkiye arasındaki sermaye piyasaları entegrasyonunun parametrik ve parametrik olmayan eşbütünleşme analizi. Maliye Dergisi, 159, 416-431.
• Büberkökü, Ö., Kızıldere, C., & Yiğenoğlu, K. (2021). BRICS ülkeleri ile Türkiye hisse senedi piyasaları arasındaki volatilite yayılımının incelenmesi. Van Yüzüncü Yıl Üniversitesi İİBF Dergisi, 2(4), 101-117.
• Diebold, F. X., & Yılmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of Forecasting, 28(1), 57-66.
• Diebold, F. X., & Yılmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of Econometrics, 182(1), 119– 34.
• Dsouza, S., Singh, N. P., & Oliyide, J. A. (2024). Dynamic connectedness among the BRICS markets and the recent pandemic: An application of TVP-VAR approach. International Journal of Emerging Markets, 20(9), 3721-3743.
• Feng, Z., Liu, X., & Yao, Y. (2023). Impact of geopolitical risk on the volatility spillovers among G7 and BRICS stock markets. Procedia Computer Science, 221, 878-884.
• Göçmen Y., G. (2021). Borsa İstanbul’un bölgesel piyasalar ile entegrasyonu: Dinamik koşullu korelasyonlar ve yayılım endeksinden kanıtlar. Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi, 12(3), 941-960.
• Gökgöz, H., & Kayahan, C. (2023). Bitcoin ile gelişmiş ve gelişmekte olan ülkeler arasındaki volatilite yayılım etkisinin TVP-VAR ile analizi. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 41(1), 109-125.
• Gürsoy, S. (2020). Investigation of the relationship between VIX index and BRICS countries stock markets: An econometric application. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 4(2), 397–413.
• Höl, A. Ö. (2023). Covid-19 döneminde Türkiye’de finansal varlıklar arasındaki volatilite yayılımı: TVP-VAR uygulaması. İktisadi İdari ve Siyasal Araştırmalar Dergisi (İKTİSAD), 8(21), 339–357.
• Johansen, S. (1988). Statistical analysis of cointegrated vectors. Journal of Economic Dynamics and Control, 12(2-3), 231-254.
• Johansen, S. (1991). Estimation and hypothesis testing of cointegrated vectors in gaussian vector autoregressive models. Econometrica, 59(6), 1551-1580.
• Johansen, S. (1994). The role of the constant and linear terms in cointegration analysis of nonstationary variables. Econometric Reviews, 13(2), 205-229.
• Joo, B. A., Ghulam, Y. A., & Mir, S. I. (2023). Symmetric and asymmetric volatility spillover among BRICS countries' stock markets. Decision, 50(4), 473-488.
• Kang, W., Ratti, R. A., & Yoon, K. H. (2015). Time-varying effect of oil market shocks on the stock market. Journal of Banking & Finance, 61(2),S150–S163.
• Khan, I. (2023). An analysis of stock markets integration and dynamics of volatility spillover in emerging nations. Journal of Economic and Administrative Sciences, 41(3), 861-878.
• Kılıç, E., & Sönmez, Y. (2022). CCC-GARCH modeli ile petrol ve E7 ülkelerinin borsaları arasındaki volatilite etkileşimi. Erciyes Akademi, 36(1), 124-137.
• Koop, G., Pesaran, M. H., & Potter, S. M. (1996). Impulse response analysis in nonlinear multivariate models. Journal of Econometrics, 74(1), 119–147.
• Listyaningsih, E., & Krishnamurti, C. (2016). How is the volatility of Jakarta Islamic index stocks?. Jurnal Bisnis & Manajemen, 17(2), 109-122.
• Pamukçu, A. B. (1999). Finans Yönetimi. İstanbul: Der Yayınları. (257).
• Panda, P., & Thiripalraju, M. (2018). Return and volatility spillovers among stock markets: BRICS countries experience. Afro-Asian Journal of Finance and Accounting, 8(2), 148-166.
• Pesaran, M. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics Letters, 58, 17–29.
• Poon, S. H. (2005). A practical guide to forecasting financial market volatility. England: John & Wiley Sons.
• Sahoo, S., & Kumar, S. (2022). Integration and volatility spillover among environmental, social and governance indices: Evidence from BRICS countries. Global Business Review, 23(6), 1280-1298.
• Saleem, K., Al-Hares, O., & Ahmed, S. (2016). Financial integration and portfolio diversification: Evidence from CIVETS stock markets. Theoretical Economics Letters, 6. 1304-1314.
• Sindhu, M.I., Windijarto., Wong, W.-K. & Maswadi, L. (2025), Unveiling hidden connectedness between cryptocurrency and stock markets in BRICS: A TVP-VAR perspective. Kybernetes.
• Singh, R. K., Singh, Y., Kumar, S., Kumar, A., & Alruwaili, W. S. (2024). Mapping risk–return linkages and volatility spillover in BRICS stock markets through the lens of linear and non-linear GAR-CH models. Journal of Risk and Financial Management, 17(10), 437.
• Şenol, Z., & Türkay, H. (2020). Gelişmiş ve gelişmekte olan borsalar arasındaki oynaklık yayılımı. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 42(2), 361-385.
• Şimşek, M. (2016). Borsa İstanbul (BIST) ve BRICS ülkelerinin hisse senedi piyasalarının ilişkisi üzerine bir inceleme. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 3(5), 520-536.
• Tripathy, N., & Garg, A. (2013). Forecasting stock market volatility: Evidence from six emerging markets. Journal of International Business and Economy, 14(2), 69-93.