EFFECT OF JUMP DIFUSION MODEL ON CONTINUOUS TIME PORTFOLIO SELECTION: BORSA İSTANBUL APPLICATION

Yıl 2015, Cilt: 17 Sayı: 2, 331 - 346, 30.06.2015

Özge Sezgin Alp

Öz

In financial markets in stant price changes occurs therefore, the price changes may assumed to be continuous variables. This is why recent stock price modelling studies are using continuous time stochastic models. In this study, the Geometric Brownian Motion and Jump Diffusion models are evaluated to model BIST-100 index. In addition, Markowitz’s mean-variance portfolio selection problem‘s continuous time solutions are applied and Jump Diffusion model performance is evaluated. As a result, it is concluded that the Jump Diffusion model is more suitable for BIST-100 index because of the sudden ups and downs in the market.

Anahtar Kelimeler

Portfolio Optimization, Stochastic, Geometric Brownian Motion, Jump Diffusion

SIÇRAMALI DİFÜZYON MODELİNİN SÜREKLİ ZAMAN PORTFÖY SEÇİMİNE ETKİSİ: BORSA İSTANBUL ÜZERİNE BİR UYGULAMA

Öz

Finansal piyasalar anlık değişimlerin değişimlere bağlı olarak fiyat değişimlerinin yaşandığı piyasalardır. Bu nedenle son yıllarda yapılan çalışmalar, hisse senedi fiyatlarının modellenmesinde sürekli zamanlı stokastik modeller üzerine yoğunlaşmaktadır. Bu çalışmada, Sıçramalı Difüzyon ve Geometrik Brownian Hareketi Difüzyon modellerinin BIST-100 endeksi için kullanılabilirliği değerlendirilmiştir. Buna ek olarak, Markowitz’in ortalama-varyansportföy seçim yönteminin sürekli zaman geliştirilmiş çözümleri Türkiye portföy örneği üzerinde uygulanmış ve sıçramalı modelinin portföy performansına etkisi incelenmiştir. Çalışmanın sonunda elde edilen bulgular, piyasada oluşan ani iniş ve çıkışlar nedeni ile Sıçramalı Difüzyon modelinin BIST-100 endeksi için daha uygun olacağını ortaya koymuştur.

Anahtar Kelimeler

Portföy Optimizayon, Stokastik, Geometrik Brownian Hareketi, Sıçramalı Difüzyon

Kaynakça

• Ball A. ve W.N. Torous. 1983. “A Simplified Jump Processfor Common Stock Returns”, The Journal of Financial and Quantitative Analysis, 18.
• Basak S. ve G. Chabakauri. 2010. “Dynamic Mean-Variance Asset Allocation”, Review Of Financial Studies, 23.
• Beckers S. 1981. “A Note on Estimating The Parameters of The DiffusionJump Model Of Stock Returns”, The Journal of Financial and Quantitative Analysis, 16.
• Costa O.L.M. ve M.V. Araujoa. 2008. “A Generalized Multi-Period Mean-Variance Portfolio Optimization with Markov Switching Parameters”, Automatica (Journal of IFAC), 44.
• Costa O.L.M. ve R.B. Nabholz. 2007. “Multiperiod Mean-Variance Optimization with Intertemporal Restrictions”, Journal of Optimization Theory and Applications, 134.
• Guo W. ve C. Xu. 2004. “Optimal Portfolio Selection When Stock Prices Follow and Jump Diffusion Process”, Mathematical Methods of Operations Research, 60.
• Honor´e P. 1998. “Pitfalls in Estimating Jump Diffusion Models”, Technical Report. University of Aarhus.
• Korn R. ve S. Trautmann. 1998. “Continuous-Time Portfolio Optimization Under Terminal Wealth Constraints”, ZOR - Mathematical Methods of Operational Research, 42.
• Leippold M.,F. Trojani ve P. Vanini. 2004. “A Geometric Approach to Multiperiod Mean-Variance Optimization of Assets and Liabilities”, Journal of Economic Dynamic and Control, 28.
• Li D. ve W.M. Ng. 2000. “Optimal Dynamic Portfolio Selection: Multi-Period Mean-Variance Formulation”, Mathematical Finance, 10.
• Lindberg C. 2009. “Portfolio Optimization When Expected Stock Returns Are Determined by Exposureto Risk”, Bernoull, 15.
• Markowitz H.M. 1952. “Portfolio Selection”, Journal of Finance, 7.
• Sezgin-Alp Ö. ve R. Korn. 2011. “Continuous-Time Mean-Variance Portfolio Optimization in A Jump-Diffusion Market”, Decisions in Economics and Finance, 34 (1).
• Schweizer M. 1994. “Approximating Random Variables By Stochastic Integrals”, Annals of Probability, 22.
• Zhou X.Y. ve D. Li. 2000. “Continuous-Time Mean-Variance Portfolio Selection: A Stochastic LQ Framework”, Applied Mathematical Optimization, 42.