PREDICTION OF STOCK EXCHANGE ISTANBUL INDEX (BIST 100) RETURN VOLATILITY WITH ARCH AND GARCH MODELS

Öz

Due to the increasing volatility movements as the capital markets develop day by day, the globalization movement, the increase in the types of risk and the increasing uncertainty as the resulting markets become more complex, the analysis of stock market structures has become more important. Increasing volatility due to the leverage effects, asymmetry, etc. qualities in the financial series, could prevent the effective pricing of stocks in the stock markets. Especially developing countries have higher levels of openness and fragility. So it has great importance to establish the concept of volatility in securities exchanges in developing countries. In concurrence with the development in information communication technologies, the possibility of trading 24 hours/a day on the market has emerged. Estimating the volatility variable, which has recently become the most important variable in the investment decisions of the global investor, has become even more important especially in developing countries, since they are more fragile than developed countries. Estimating this variable has become even more important, especially for decision-makers who are considering investing in or partnering with the company. Since the conventional models are insufficient to express the volatility variable; ARCH, GARCH, EGARCH and TGARCH models, which are nonlinear conditional variance models, have begun to be used. The aim of the study is to analyze the return volatility of the BIST 100 Index by the ARCH, GARCH, EGARCH and TGARCH models. BIST 100 Index, which covers the 2011-2017 / 3 period with its daily closing values, are taken into account. As a result of the study, it was observed that TGARCH model, which has the highest level of explanatory power, gave the most successful results among related models in revealing BIST 100 return volatility.

Anahtar Kelimeler

• BIST 100,Risk,Volatility,ARCH,GARCH

BORSA İSTANBUL ENDEKSİ (BIST 100) GETİRİ VOLATİLETESİNİN ARCH VE GARCH MODELİ İLE TAHMİN EDİLMESİ

Öz

Sermaye piyasalarının gün geçtikçe gelişmesi, küreselleşme hareketi, risk türlerindeki artış ve artan belirsizlik sonucu piyasaların daha karmaşık hale gelmesiyle, artan volatilite hareketleri borsaların yapılarının analiz edilmesini daha da önemli hale getirmiştir. Finansal serilerde yer alan kaldıraç etkisi, asimetri vb. özellikler nedeniyle artan volatilite, borsalarda hisse senetlerinin etkin bir şekilde fiyatlanmasını engelleyebilmektedir. Özellikle gelişmekte olan ülkelerin dışa açıklık derecesi ve kırılganlık seviyeleri yüksek olduğu için menkul kıymet borsalarında volatilite kavramının ortaya konması büyük önem arz etmektedir. Bilgi iletişim teknolojilerinde yaşanan gelişmeyle birlikte, piyasalarda 24 saat işlem yapma imkânı sağlanmıştır. Son zamanlarda küresel yatırımcının yatırım kararlarında en önemli değişken haline gelen volatilite değişkeninin tahmin edilmesi, özellikle gelişmiş ülkelere göre daha kırılgan yapıda oldukları için gelişmekte olan ülkelerde daha da önemli hale gelmiştir. Bu değişkenin tahmin edilmesi özellikle ilgili şirkete yatırım yapmayı yada ortak olmayı düşünen karar vericiler için daha da önemli hale getirmektedir. Geleneksel modeller volatilite değişkenini ifade etmede yetersiz kaldıkları için, doğrusal olmayan koşullu varyans modelleri olan ARCH, GARCH, EGARCH ve TGARCH modelleri kullanılmaya başlanmıştır. Çalışmada BIST 100 Endeksinin 2011-2017/3 dönemini kapsayan ve günlük kapanış değerleri ele alınarak BIST 100 Endeksinin getiri volatilitelerinin ARCH, GARCH, EGARCH ve TGARCH modelleri ile, açıklayıcılık derecesi en yüksek modelin hangisi olduğu ortaya konması amaçlanmaktadır. Çalışma sonucunda BIST 100 getiri volatilitesinin ortaya konmasında ilgili modeller arasında TGARCH modelinin en başarılı sonuçlar verdiği gözlemlenmiştir.

Anahtar Kelimeler

• BIST100,Volatilite,ARCH,GARCH

Kaynakça

1. Akgiray, V. (1989). Conditional Heteroskedasticity in Time Series of Stock Returns: Evidence and Forecasts. Journal of Business,, 62(1), 55-80.
2. Akgül, I., & Sayyan, H. (2005). Forecasting Volatility in ISE-30 Stock Returns with Asymmetric Conditional Heteroscedasticity Models. Symposium of Traditional Finance. İstanbul: Marmara Üniversitesi Bankacılık ve Sigortacılık Yuksekokulu.
3. Bollerslev, T., Engle, R., & Wooldridge, J. (1988). A Capital Asset Pricing Model with Time-Varying Covariances. The Journal of Political Economy, 96, 116-131.
4. Brandt, M. W., & Diebold, F. X. (2006). A No-Arbitrage Approach to RangeBased Estimation of Return Covariances and Correlations. Journal of Business, 79, 61–73.
5. Brandt, M. W., & Jones, C. S. (October 2006). Volatility Forecasting With Range-Based EGARCH Models. Journal of Business & Economic Statistics, 24(4), 47-486.
6. Chong, Y. Y. (2004). Investment Risk Management. England: Wiley Finance.
7. Engle, R., Ng, V. K., & Rothschild, M. (1993). Measuring and Testing the Impact of News on Volatility,. The Journal of Finance, 48, 1749-177.
8. Güriş, S., & Saçaklı, İ. (2011). İstanbul Menkul Kıymetler Borsası’nda Hisse Senedi Getiri Volatilitesinin Klasik ve Bayesyen GARCH Modelleri İle Analizi. Trakya Üniversitesi Sosyal Bilimler Dergisi, 13, 153-172.

9. Sarıoğlu, S. E. (2006). Değiskenlik Modelleri ve İMKB Hisse Senetleri Piyasası’nda Değiskenlik Modellerinin Kesitsel Olarak İrdelenmesi,. İstanbul: İAV Yayınları.