IDENTIFYING STRUCTURAL BREAKS IN HIGH FREQUENCY TURKISH LIRA RETURNS

Öz

The foreign exchange (FX) market is the largest in the world with an average daily trading volume of approximately USD 7.5 trillion. The Turkish lira is one of the major emerging market currencies with a historical trading volume ratio of approximately 1% despite the recent decline in trading volume. In this study, based on approximately 584 million level 1 order book tick data collected in millisecond granularity, the currency pairs of the Turkish lira with the three most traded currencies globally (USD, EUR, JPY) are aggregated at 8 different frequencies from 5 minutes to 1 day. Unconditional variance changes in the returns of the obtained series are determined by Inclan-Tiao, Kappa 1 and Kappa 2 tests. Consistent with the theory, the Kappa 2 test, which takes into account the leptokurtosis and conditional variance properties of the return series, is found to be more successful. In line with expectations, (i) the Global Financial Crisis of 2007-2009, (ii) the start of the Fed's monetary tightening plan in May 2013, (iii) the exchange rate attack against the Turkish lira in August 2018, and (iv) the sudden increase in exchange rate volatility in the Turkish lira in December 2021 and the subsequent Russia-Ukraine war periods are coincident with increasing number of structural breaks.

Anahtar Kelimeler

• Foreign exchange markets
• structural break tests
• unconditional variance
• Turkish lira

YÜKSEK FREKANSLI TÜRK LİRASI GETİRİLERİNDE YAPISAL KIRILMALARIN BELİRLENMESİ

Öz

Döviz piyasası yaklaşık 7.5 trilyon ABD doları ortalama günlük işlem hacmi ile dünyanın en büyük piyasasıdır. Türk lirası ise son dönemde düşen işlem hacmine rağmen tarihsel olarak yaklaşık %1’lik işlem hacmi oranı ile önemli gelişen ülke para birimlerindendir. Bu çalışmada, yaklaşık 584 milyon adet milisaniye detayında ölçülmüş 1. düzey emir defteri tik verisinden hareketle; Türk lirasının küresel olarak en çok işlem gören üç para birimi (USD, EUR, JPY) ile oluşturduğu döviz çiftleri 5 dakikadan 1 güne kadar 8 farklı frekansta toplulaştırılmıştır. Elde edilen serilerin getirilerinde gerçekleşen koşulsuz varyans değişimleri Inclan-Tiao, Kappa 1 ve Kappa 2 testleri ile belirlenmiştir. Testlerin sonucunda, teoriyle uyumlu olarak getiri serilerinin pozitif fazla basıklık ve koşullu varyans özelliklerini göz önüne alan Kappa 2 testinin daha başarılı olduğu bulunmuştur.Beklentilerle uyumlu olacak şekilde: (i) 2007-2009 Küresel Finans Krizi, (ii) Mayıs 2013 Fed parasal sıkılaştırma planı başlangıcı, (iii) Ağustos 2018 Türk lirasına karşı yapılan kur atağı ve (iv) Aralık 2021 Türk lirası ani kur oynaklığı artışı ve takip eden Rusya-Ukrayna savaşı dönemleri artan yapısal kırılma sayılarıyla eş zamanlıdır.

Anahtar Kelimeler

• Döviz piyasaları
• yapısal kırılma testleri
• koşulsuz varyans
• Türk lirası

Kaynakça

1. Ait-Sahalia, Y., & Jacod, J. (2014). High-frequency financial econometrics. Princeton University Press.
2. Akardeniz, E. & Engin, C. (2019). TCMB faiz kararlarının döviz kuru volatilitesine etkisi. Finansal Araştırmalar ve Çalışmalar Dergisi, 11(20), 1-27.
3. Andreou, E., & Ghysels, E. (2009). Structural Breaks in Financial Time Series. In Mikosch, T., Kreiß, J. P., Davis, R., Andersen, T. (eds), Handbook of Financial Time Series. Springer, Berlin, Heidelberg.
4. Aue, A., Hormann, S., Horvath, L., & Reimherr, M. (2009). Break detection in the covariance structure of multivariate time series models. Annals of Statistics, 37 (6B), 4046–4087.
5. Aue, A., & Horvath, L. (2013). Structural breaks in time series. Journal of Time Series Analysis, 34(1), 1–16. Bank for International Settlements (2022). Triennial Central Bank Survey of Foreign Exchange and Over-the counter (OTC) Derivatives Markets in 2022, October.
6. Büberkökü, Ö. (2021). Stokastik faiz oranı modelleri (CIR / Vasicek) ile faiz oranlarının modellenmesi ve getiri eğrisi tahmini. İzmir İktisat Dergisi. 36(4). 893-911.
7. Büberkökü, Ö. (2021). Volatilitedeki çoklu yapısal kırılmaların finansal risk yönetimi açısından öneminin incelenmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(24), 86-110.
8. Chen, J., & Gupta, A. K., (1997). Testing and locating variance changepoints with application to stock prices. Journal of American Statistical Association, 92(438), 739–747.

9. Çınar, M., & Hepkorucu, A. (2018). Düşük frekansta incelenen finansal varlıkların oynaklık kırılmalarının değerlendirilmesi: Bist-100 endeksi üzerine bir uygulama. Akademik Araştırmalar ve Çalışmalar Dergisi, 10(18), 1-11.
10. Demireli, E. (2010). Finansal kırılganlıklar Türk bankacılık sektörü üzerine bir uygulama. Elektronik Sosyal Bilimler Dergisi, 9(33), 122-140.
11. Granger, C. W. J. (2001). Estimating the Probability of Flooding on a Tidal River. In: Ghysels E, Swanson NR, Watson MW, eds. Essays in Econometrics: Collected Papers of Clive W. J. Granger. Econometric Society Monographs. Cambridge University Press; 2001: 355-365.
12. Güloğlu, B., Kaya, P. & Aydemir, R. (2016). Volatility transmission among latin american stock markets under structural breaks. Physica A: Statistical Mechanics and its Applications, 462, 330–340.
13. Gürsakal, D. S. (2011). GARCH modelleri ve varyans kırılması: İMKB örneği. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 20(3), 161-178.
14. Gürsakal, S. (2015). Varyans kırılması gözlemlenen serilerde GARCH modelleri: Döviz kuru oynaklığı örneği. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 32, 319-337.
15. Hansen, P. R., & Lunde, A. (2006). Realized variance and market microstructure noise. Journal of Business and Economic Statistics, 24(2), 127–161.
16. Hong, Y., Linton, O., McCabe, B., Sun, J., & Wang, S. (2024). Kolmogorov–Smirnov type testing for structural breaks: A new adjusted-range based self-normalization approach, Journal of Econometrics, 238(2).
17. Neely, C. J. (2014). Lessons from the Taper Tantrum. Federal Reserve Bank of St Louis Economic Synopses. No. 2, 2014. URL https://doi.org/10.20955/es.2014.2. Erişim tarihi: 2024-03-14.
18. Inclan, C., & Tiao, G. C. (1994). Use of cumulative sums of squares for retrospective detection of changes of variance. Journal of the American Statistical Association, 89(427), 913–923.
19. Jin, H., Zhang, S., Zhang, J., & Hao, H., (2018). Modified tests for change points in variance in the possible presence of mean breaks. Journal of Statistical Computation and Simulation, 88(14), 2651–2667.
20. Kartal, G. (2022). Koronavirüs (Sars-Cov-2) Salgınının borsa istanbul endeksleri üzerindeki etkisi: çoklu yapısal kırılmalı ampirik analizlerden kanıtlar. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40(1), 87-120.
21. Lamoureux, C. G., & Lastrapes, W. D., (1990). Persistence in variance, structural change, and the GARCH model. Journal of Business & Economic Statistics, 8(2), 225-234.
22. Li, Y.-N., Li, D., & Fryzlewicz, P., (2023). Detection of multiple structural breaks in large covariance matrices. Journal of Business and Economic Statistics, 41, 846–861.
23. Özdemir, A., Vergili, G., & Çelik, İ. (2018). Döviz piyasalarının etkinliği üzerinde uzun hafızanın rolü: Türk döviz piyasasında ampirik bir araştırma. BDDK Bankacılık ve Finansal Piyasalar, 12(1), 87-107.
24. Page, E. S. (1954). Continuous inspection schemes. Biometrika, 41, 100–5.
25. Page, E. S. (1955). A test for a change in a parameter occurring at an unknown point. Biometrika, 42, 523–27.
26. Perron, P. (2006). Dealing with structural breaks. In Palgrave Handbook of Econometrics, Vol. 1, (eds Patterson, K., & Mills, T. C.), Palgrave Macmillan, pp. 278–352.
27. Pitarakis, J.-Y. (2004). Least squares estimation and tests of breaks in mean and variance under misspecification, The Econometrics Journal, 7(1), 32–54.
28. Reeves, J., Chen, J., Wang, X. L., Lund, R. B., & Lu, Q. (2007). A review and comparison of changepoint detection techniques for climate data. Journal of Applied Meteorology and Climatology, 46, 900–15.
29. R Core Team (2023). R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria.
30. Ryan, J. A., & Ulrich, J. M. (2023). Xts: Extensible Time Series, R package version 0.13.1. URL https://CRAN.Rproject. org/package=xts.
31. Sanso, A., Arago, V., & Carron-i-Silvestre, J. L. (2004). Testing for changes in the unconditional variance of financial time series. Revista de Economia Financiera. 4, 32–53.
32. Smith, D.R., (2008). Testing for structural breaks in GARCH models. Applied Financial Economics, 18 (10), 845– 862.
33. Stoumbos, Z. G., Reynolds Jr. M. R., Ryan, T. T. P., & Woodall, W. H. (2000). The state of statistical process control as we proceed into the 21st century. Journal of the American Statistical Association 95, 992–8.
34. Trapletti, A., & Hornik, K. (2023). Tseries: Time Series Analysis and Computational Finance, R package version 0.10-54. URL https://CRAN.R-project.org/package=tseries.
35. Uluceviz, E. (2015). Identification through heteroscedasticity within the network connectedness framework: the ‘systemic five’ stock markets. Istanbul Bilgi Üniversitesi Sosyal Bilimler Enstitüsü. Yayımlanmamış doktora tezi.