ESTIMATION OF VOLATILITY IN CARBON EMISSIONS FUTURES MARKET: THE EXAMPLE OF GLOBAL CARBON FUTURES INDEX

Öz

In today's world, there are many discussions about global warming and climate change due to increasing CO2 emissions resulting from the consumption of fossil fuels such as oil and natural gas. CO2 emissions, which have tended to increase continuously since the industrial revolution, are shown as the main cause of climate change. Efforts to prevent global climate change initiated by the United Nations have evolved into the Kyoto Protocol. With this protocol, it is aimed to keep the greenhouse gas concentration in the atmosphere balanced at levels that will not have a dangerous impact on the climate, and various responsibilities are imposed on countries in this regard. Carbon markets appear as markets where carbon credit trading is carried out by both governments and investors in order to reduce greenhouse gas emissions, and their importance has been increasing in recent years. In the study, the volatility of carbon markets is investigated and it is aimed to determine the most appropriate model to estimate this volatility. Using ARCH-GARCH models, the daily data set of the global carbon futures index between 2.01.2018 and 02.11.2023 is used and it is concluded that the GARCH (1,1) model is a more appropriate model in volatility evaluation.

Anahtar Kelimeler

• Volatility
• Conditional Heteroskedasticity Models
• Carbon Emission Futures Market

KARBON EMİSYONU VADELİ İŞLEM PİYASASINDA OYNAKLIĞIN TAHMİNİ: KÜRESEL KARBON VADELİ İŞLEMLERİ ENDEKSİ ÖRNEĞİ

Öz

Günümüz dünyasında özellikle son yıllarda, petrol ve doğal gaz gibi fosil yakıtların tüketiminden kaynaklanan artan karbondioksit (CO2) emisyonları nedeniyle küresel ısınma ve iklim değişikliği hakkında pek çok tartışma bulunmaktadır. Sanayi devriminden bu yana sürekli olarak artma eğiliminde olan CO2 emisyonu iklim değişiminin en temel nedeni olarak gösterilmektedir. Birleşmiş Milletler tarafından başlatılan küresel iklim değişimini önleme çalışmaları zaman içerisinde Kyoto Protokolü olarak evrilmiştir. Bu protokolle birlikte, atmosferdeki sera gazı yoğunluğunun, iklim üzerinde tehlikeli bir etki oluşturmayacak düzeylerde dengede seyretmesi hedeflenmekte ve bu doğrultuda ülkelere çeşitli sorumluluklar yüklenmektedir. Bu noktada karbon piyasaları, sera gazı salınımının azaltılması noktasında gerek hükümetlerin gerekse de yatırımcıların oluşturduğu karbon kredi ticaretinin gerçekleştiği piyasalar olarak karşımıza çıkmakta ve son yıllarda önemi giderek artmaktadır. Çalışmada, karbon piyasalarının oynaklığı araştırılmakta ve bu oynaklığı tahmin etmek için en uygun modelin belirlenmesi hedeflenmektedir. ARCH-GARCH modellerinin kullanıldığı çalışmada, küresel karbon vadeli işlemleri endeksine ait 2.01.2018 – 02.11.2023 tarihleri arasındaki günlük veri seti kullanılmış ve oynaklık değerlendirmesinde GARCH(1,1) modelinin daha uygun bir model olduğu sonucuna varılmıştır.

Anahtar Kelimeler

• Volatilite
• Koşullu Değişen Varyans Modelleri
• Karbon Emisyonu Vadeli İşlem Piyasası

Kaynakça

1. Akkaya, G. C., & Uzar, C. (2012). Karbona dayalı finansal gelecek sözleşmeleri ve fiyat gelişimi üzerine bir inceleme. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 32, 67-80.
2. Arı, İ. (2010). İklim değişikliği ile mücadelede emisyon ticareti ve Türkiye uygulaması. [DPT Uzmanlık Tezleri]. Ankara. Iklim-Degisikligi-ile-Mucadelede-Emisyon-Ticareti-ve-Turkiye-Uygulamasi-Izzet-Ari.pdf (sbb.gov.tr)
3. Azari, H. Y. (2013). Karbon emisyon piyasaları. Institute of Social Sciences, Selcuk University, 1-9. Çevrimiçi https://www.researchgate.net/publication/260554129
4. Baillie, R. T., Bollerslev, T. & Mikkelsen, H. O. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 74, 3-30.https://doi.org/10.1016/S0304-4076(95)01749-6
5. Benschop, T. & Cabrera, B. (2014). Volatility modelling of CO2 emission allowance spot prices with regime-switching Garch models. SFB 649 Discussion Paper, 050, 1-27.
6. Bollerslev, T. (1986). Generalized auto regressive conditional heteroskedasticity, Journal of Econometrics, 31, 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
7. Byun, S.J. & Cho, H. (2013). Forecasting carbon futures volatility using Garch models with energy volatilities, Energy Economics, vol. 40(C), 207-221. https://doi.org/10.1016/j.eneco.2013.06.017
8. Cuervo J., & Gandhi P. (1998). Carbon Taxes: their macroeconomic effects and prospects for global adoption: a survey of the literature. IMF Working Paper No. 98/73, Available at SSRN: https://ssrn.com/abstract=882354

9. Çavdar, Ş. Ç., & Aydın, A. D. (2017). Borsa Istanbul kurumsal yönetim endeksi’nde (xkury) volatilitenin etkisi: arch, garch ve swarch modelleri ile bir inceleme. Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 22(3), 697-711.
10. Çetintaş, H., & Türköz, K. (2017). İklim değişikliği ile mücadelede karbon piyasalarının rolü. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 20(37), 147-168. https://doi.org/10.31795/baunsobed.645182
11. Dritsaki, M. & Dritsaki, C. (2020), Forecasting European Union CO2 emissions using autoregressive integrated moving averageautoregressive conditional heteroscedasticity models, International Journal of Energy Economics and Policy, 10(4), 411-423. https://www.econjournals.com/index.php/ijeep/article/view/9186
12. Edwards R., (2008), Carbon finance gecp and business options. Climate Change Capital, MSc Environmental Technology, Imperial College, London.
13. Elitaş, C., & Çetin, A. C. (2011). Karbon ticareti ve karbon bankacılığı. Muhasebe Ve Denetime Bakış, (35), 51-78. 1869440 (dergipark.org.tr)
14. Enders, W. (2004). Applied econometric time series (Second ed.). J. Wiley.
15. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773
16. Engle, R. F., Lilien, D. M. & Robins, R. P. (1987). Estimating time varying risk premia in the term structure: The Arch-M model. Econometrica, 55(2), 391-407.https://doi.org/10.2307/1913242
17. Feng Z H, Zou L L & Wei Y M. (2011). Carbon price volatility: Evidence from EU ETS, Applied Energy, 88(3): 590-598. https://doi.org/10.1016/j.apenergy.2010.06.017
18. Gürbüz, C., Karataş Aracı, Ö. N., & Bekçi, İ. (2019). Dünya’da ve Türkiye’de karbon ticareti ve karbon muhasebesi uygulamaları üzerine bir araştırma. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(28), 424-438. https://doi.org/10.20875/makusobed.568835
19. Gürsakal, S. (2009). Varyans kırılması gözlemlenen serilerde Garch modelleri: döviz kuru oynaklığı örneği, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 0 (32) , 319-337. https://dergipark.org.tr/tr/pub/erciyesiibd/issue/5889/77913
20. Huang J., Ge J., Chang K. & Tian Y. (2020). Dynamic hedging analysis of carbon emission trading yield in Shenzhen, Energy & Environment, Vol. 31(5). 870–885. https://doi.org/10.1177/0958305X19882409
21. Kalafate N. & Khiari I. (2023). Modeling volatility in the stock markets using Garch models: Applied to carbon, water and commodity markets. Finance & Markets Journal, No.2 Vol.10, 38 – 54.
22. Karaaslan, A., Abar, H. & Çamkaya, S. (2017). CO2 Salınımı üzerinde etkili olan faktörlerin araştırılması: OECD ülkeleri üzerine ekonometrik bir araştırma. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(4), 1297-1310. 405790 (dergipark.org.tr)
23. Kuziboev, B., Vysušilová, P., Salahodjaev, R., Rajabov, A. & Rakhimov, T. (2023). The Volatility assessment of CO2 emissions in Uzbekistan: Arch/Garch models. International Journal of Energy Economics and Policy, Vol 13, Issue 5, s. 1-7. https://doi.org/10.32479/ijeep.14487
24. Nargeleçekenler, M. (2011). Euro kuru satış değerindeki volatilitenin Arch ve Garch modelleri ile tahmini, İstanbul Üniversitesi İktisat Fakültesi Mecmuası, 54 (2), 153-179. 8028 (dergipark.org.tr)
25. Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: a new approach. Econometrica, 59(2), 347-370.https://doi.org/10.2307/2938260
26. Özden, Ü. H. (2008). İMKB bileşik 100 endeksi getiri volatilitesinin analizi, İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 7(13), 339-350. acarindex-1423905009.pdf
27. Songül, H. (2010). Otoregresif koşullu değişen varyans modelleri: döviz kurları üzerine uygulama. [Uzmanlık Yeterlilik Tezi. Türkiye Cumhuriyet Merkez Bankası Araştırma ve Para Politikası Genel Müdürlüğü], Ankara. huseyinsongul.pdf (tcmb.gov.tr)
28. Şahin, C. (2023). Garch ve yapay sinir ağları modelleri yardımıyla volatilite tahmini: Türk Borsası örneği. Kastamonu Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 25(2), 572-595. https://doi.org/10.21180/iibfdkastamonu.1262407
29. Ucal, M. Ş., (2006). Ekonometrik model seçim kriterleri üzerine kısa bir inceleme. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt 7, Sayı 2, 41-56.
30. Villar-Rubio, E., Huete-Morales, MD. & Galán-Valdivieso, F. (2023). Using Egarch models to predict volatility in unconsolidated financial markets: the case of European carbon allowances. Journal of Environmental Studies and Sciences, 13, 500–509. https://doi.org/10.1007/s13412-023-00838-5
31. Wang Y., Wang G., Zuo Y., Fan L. & Xiao Y., (2017). The Market effectiveness of electricity reform: a case of carbon emissions trading market of Shenzhen city, AIP Conf. Proc. 1820, 040028-1–040028-5. https://doi.org/10.1063/1.4977300
32. Yu H., Wang H., Liang C., Liu Z. & Wang S. (2022). Carbon market volatility analysis based on structural breaks: Evidence from EU-ETS and China. Front. Environ. Sci. 10:973855. https://doi.org/10.3389/fenvs.2022.973855