THE COMPARİSON OF CRYPTOCURRENCY VOLATİLİTY LEVELS WİTH THE ASYMMETRİC GARCH MODEL

Yıl 2025, Cilt: 18 Sayı: 1, 493 - 509, 30.01.2025

Letife Özdemir

Öz

After 2017, price fluctuations, return opportunities, and volatility in cryptocurrencies have attracted the attention of investors. The growing trading volume and market capitalization have positioned these assets as an attractive option for high returns and portfolio diversification alongside traditional investments. Based on this premise, this study examines the volatility levels of the three largest cryptocurrencies by market capitalization (Bitcoin, Ethereum, and Tether USDt) for the period 2017-2024 using the EGARCH model, which measures asymmetric volatility. According to the EGARCH model, negative news has a greater impact on the return volatility of Bitcoin and Ethereum compared to positive news, and the leverage effect is observed. In contrast, for Tether USDt, positive news has a stronger influence on volatility, indicating the presence of an anti-leverage effect. Market shocks are found to have a more persistent effect on the return volatility of cryptocurrencies, with Ethereum being the most affected. The half-life volatility measure reveals that the effects of volatility dissipate within 7 days for Bitcoin, 8 days for Ethereum, and 74 days for Tether USDt. This indicates that volatility in Bitcoin and Ethereum subsides in a similar time frame, whereas in Tether USDt, it lasts significantly longer. The reason for this difference is that Tether USDt is a stablecoin. In this context, it is crucial for investors and portfolio managers to consider the asymmetric characteristics and volatility levels of cryptocurrencies when making investment decisions.

Anahtar Kelimeler

Cryptocurrency, Volatility, EGARCH, Leverage Effect

KRİPTO PARALARIN VOLATİLİTE DÜZEYLERİNİN ASİMETRİK GARCH MODELİ İLE KARŞILAŞTIRILMASI

Öz

2017'den sonra kripto para birimlerinde yaşanan fiyat dalgalanmaları, getiri fırsatları ve volatilite, yatırımcıların ilgisini çekerken; büyüyen işlem hacmi ve piyasa değeri, bu varlıkları geleneksel yatırımlara ek olarak yüksek kazanç ve portföy çeşitlendirme olanağı sunan bir seçenek haline getirmiştir. Buradan hareketle çalışmada piyasa değeri en yüksek üç kripto para biriminin (Bitcoin, Ethereum ve Tether USDt) 2017-2024 dönemi için volatilite düzeyleri asimetrik volatilite ölçüm modellerinden EGARCH modeli ile karşılıklı olarak incelenmektedir. EGARCH modellerine göre, Bitcoin ve Ethereum'da kötü haberler, getiri volatilitesini iyi haberlerden daha fazla etkilerken, kaldıraç etkisi gözlemlenmiştir. Buna karşılık, Tether USDt'de iyi haberlerin volatilite üzerindeki etkisi daha güçlü olup, anti-kaldıraç etkisi söz konusudur. Piyasadaki şokların, kripto paraların getiri volatilitesi üzerinde daha kalıcı bir etkiye sahip olduğu ve en çok Ethereum'un getiri oynaklığını etkilediği görülmektedir. Yarı ömür volatilite ölçüsü sonuçları, Bitcoin, Ethereum ve Tether USDt için sırasıyla 7 gün, 8 gün ve 74 gün olduğunu ortaya koymuştur. Bu durum, Bitcoin ve Ethereum’da yaşanan volatilitenin benzer sürede etkisinin kaybolduğunu, ama Tether USDt’de ise daha uzun sürdüğünü göstermektedir. Bunun sebebi Tether USdt kripto paranın stabil coin olmasıdır. Bu bağlamda, yatırımcılar ve portföy yöneticilerinin, kararlarını şekillendirirken kripto paraların asimetrik özellikleri ile oynaklık seviyelerini göz önünde bulundurmaları oldukça önemlidir.

Anahtar Kelimeler

Kripto Para, Volatilite, EGARCH, Kaldıraç Etkisi

Kaynakça

• Altunöz, U. (2023). Analyzing the Volatility Dynamics of Crypto Currency and the Occurrence of Speculative Bubbles: The Examples of Bitcoin, Ethereum, and Ripple. Istanbul Iktisat Dergisi, 73(73-1), 615-643. https://doi.org/10.26650/ISTJECON2023-1021393
• Atik, M., Köse, Y., Yılmaz, B., ve Sağlam, F. (2015). Kripto para: bitcoin ve döviz kurları üzerine etkileri. Bartın Üniversitesi İİBF Dergisi, 6(11), 247-262.
• Azari, A. (2019). Bitcoin price prediction: An ARIMA approach. ArXiv, https://arxiv.org/abs/1904.05315
• Bitlo, (2024, 15 Ekim). Kripto para rehberi, Erişim adresi: bitlo.com/rehber
• Brooks, C. (2008). Introductory Econometrics for Finance (2nd ed.): Cambridge University Press. http://dx.doi.org/10.1017/CBO9780511841644
• Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. http://dx.doi.org/10.1016/0304-4076(86)90063-1
• Bouri, E., Shahzad, S. J. H., Roubaud, D., Kristoufek, L., & Lucey, B. (2020). Bitcoin, gold, and commodities as safe havens for stocks: New insight through wavelet analysis. The Quarterly Review of Economics and Finance, 77, 156-164. https://doi.org/10.1016/j.qref.2020.03.004
• Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control (2nd ed.). San Francisco: Holden-Day.
• Cheikh, N. B., Zaied, Y. B., & Chevallier, J. (2020). Asymmetric volatility in cryptocurrency markets: New evidence from smooth transition GARCH models. Finance Research Letters, 35, 101293. https://doi.org/10.1016/j.frl.2019.09.008
• Chen, Q., Huang, Z., & Liang, F. (2024). Forecasting volatility and value-at-risk for cryptocurrency using GARCH-type models: the role of the probability distribution, Applied Economics Letters, 31(18), 1907-1914, https://doi.org/10.1080/13504851.2023.2208824
• Çelik, Y. ve Koç, Y. D., (2023). Finansal piyasalar arasındaki takip ilişkisi: kripto paralar üzerine bir uygulama. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 8(3), 526-534. https://doi.org/10.29106/fesa.1304394
• Çeşen, M.E., ve Koç, Y.D. (2022). Parasal fonksiyonları yerine getirebilme açısından kripto paralar: kırılgan beşli ülkeleri üzerine bir uygulama. N. Kurnaz (ed.), Güncel İşletmecilik Araştırmaları 1 içinde (s. 63-74). Konya: Eğitim Yayınevi.
• Derbentsev, V., Datsenko, N., Stepanenko, O., Bezkorovainyi, V. (2019). Forecasting cryptocurrency prices time series using machine learning approach. SHS Web of Conferences. 65, 02001. https://doi.org/10.1051/shsconf/20196502001
• Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427-431. http://dx.doi.org/10.2307/2286348
• Dutta, A., & Bouri, E. (2022). Outliers and time-varying jumps in the cryptocurrency markets. Journal of Risk and Financial Management, 15(3), 128. https://doi.org/10.3390/jrfm15030128
• Dyhrberg, A. H. (2016). Bitcoin, gold and the dollar – A GARCH volatility analysis. Finance Research Letters, 16, 85-92. https://doi.org/10.1016/j.frl.2015.10.008
• Enders, W. (2004). Applied Econometric Time Series (2nd ed.). Hoboken: John Wiley & Sons, Inc.
• Engle, R. (2001). GARCH 101: The use of ARCH/GARCH models in applied econometrics. Journal of Economic Perspectives, 15(4), 157-168.
• Ertuğrul, H.M. (2019). Kripto paraların volatilite dinamiklerinin incelenmesi: GARCH modelleri üzerine bir uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 17(4), 59-71. http://dx.doi.org/10.11611/yead.555713
• Fakhfekh, M., & Jeribi, A. (2019). Volatility dynamics of crypto-currencies’ returns: Evidence from asymmetric and long memory GARCH models. Research in International Business and Finance, 51, 101075. https://doi.org/10.1016/j.ribaf.2019.101075
• Fidan Keçeci, N. (2021). Kriptopara getirilerinin piyasa risklerinin karşılaştırılması. Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(1), 55-86.
• Gbenro, N., & Moussa, R. K. (2019). Asymmetric mean reversion in low liquid markets: Evidence from BRVM. Journal of Risk and Financial Management, 12(1), 1-19. https://doi.org/10.3390/jrfm12010038
• Gujarati, D. N. (2003). Basic Econometrics (4th ed.). New York: McGraw-HiII/lrwin.
• Gupta, H., & Chaudhary, R. (2022). An Empirical study of volatility in cryptocurrency market. Journal of Risk and Financial Management, 15, 513. https://doi.org/10.3390/jrfm15110513
• Hairudin, A., & Mohamad, A. (2024). The isotropy of cryptocurrency volatility. International Journal of Finance & Economics, 29(3), 3779-3810. https://doi.org/10.1002/ijfe.2857
• İnvesting. (2024, 1 Temmuz). Finansal platform ve haber sitesi, Erişim adresi: https://tr.investing.com/crypto/currencies
• Jang, H., & Lee, J. (2017). An empirical study on modeling and prediction of bitcoin prices with bayesian neural networks based on blockchain information. IEEEAccess, 6, 5427-5437. https://doi.org/10.1109/ACCESS.2017.2779181
• Jarque, C.M., & Bera, A.K. (1987). A test for normality of observations and regression residuals. International Statistical Review, 55, 163-172. http://dx.doi.org/10.2307/1403192
• Kahraman, İ. K., Küçükşahin, H., ve Çağlak, E. (2019), Kripto para birimlerinin volatilite yapısı: GARCH modelleri karşılaştırması. Fiscaoeconomia, 3(2), 21-45. https://doi.org/10.25295/fsecon.2019.02.002
• Katsiampa, P. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. Economics Letters, 158, 3-6. https://doi.org/10.1016/j.econlet.2017.06.023
• Kayral, İ. E. (2020). En yüksek piyasa değerine sahip üç kripto paranın volatilitelerinin tahmin edilmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 12(22), 152-168. https://doi.org/10.14784/marufacd.688447
• Khan, M. & Khan, M. (2021). Cryptomarket volatility in times of COVID-19 pandemic: application of GARCH models. The Economic Research Guardian, 11(2), 170-181.
• Kim, J.M., Jun, C., & Lee, J. (2021). Forecasting the volatility of the cryptocurrency market by garch and stochastic volatility. Mathematics, 9, 1614. https://doi.org/10.3390/math9141614
• Koçoğlu, Ş., Çevik, Y. E. ve Tanrıöven, C. (2016). Bitcoin Piyasalarının Etkinliği, Likiditesi ve Oynaklığı. İşletme Araştırmaları Dergisi, 8(2), 77-97.
• Korkmaz, T., Erdoğan, S., ve Çevik, E. İ. (2009). VOB’da işlem gören endeks ve döviz vadeli sözleşmelerin getirilerinde uzun hafıza varlığının test edilmesi. İktisat İşletme ve Finans Dergisi, 24(274), 7-32.
• Kufo, A., Gjeci, A., & Pilkati, A. (2023). Unveiling the ınfluencing factors of cryptocurrency return volatility. Journal of Risk and Financial Management, 17(1), 12. https://doi.org/10.3390/jrfm17010012
• Kurnaman, C. D., & Rizal, N. A. (2023). The relationship between bitcoin returns, volatility, and volume using asymmetric GARCH modelling. Journal Accounting and Finance, 7(1), 1-11. https://doi.org/10.25124/jaf.v7i1.5565
• Kuzu, S., ve Çelik, İ.E. (2020). Bitcoin alternatif yatırım aracı ya da hedge enstrümanı olarak düşünülebilir mi? Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 8(2), 603-613.
• Kyriazis, N. A. (2021). A survey on volatility fluctuations in the decentralized cryptocurrency financial assets. Journal of Risk and Financial Management, 14, 293. https://doi.org/10.3390/jrfm14070293
• López-Cabarcos, M. Á., Pérez-Pico, A. M., Piñeiro-Chousa, J., & Šević, A. (2020). Bitcoin volatility, stock market and investor sentiment. Are they connected? Finance Research Letters, 38, 101399. https://doi.org/10.1016/j.frl.2019.101399
• Mosmer S., & Başarır Ç. (2023). Türkiye’deki bireysel kripto para yatırımcılarının kripto paralara yaklaşımları. The Journal of International Scientific Researches, 8(1), 46-63.
• Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: a new approach. Econometrica, 59(2), 347-370. http://dx.doi.org/10.2307/2938260
• Özaydın, O., (2023). Cryptocurrency volatility: before, during and after Covid-19. İstanbul Nişantaşı Üniversitesi Sosyal Bilimler Dergisi, 2(11), 624-635. https://doi.org/10.52122/nisantasisbd.1381131
• Quan, Y. X., Yang, T. X., Fei, C. Y., Cheong, C. W., & Min, L. (2023). Asymmetric volatility and risk analysis of bitcoin cryptocurrency market. Journal of Quality Measurement and Analysis, 19(2), 73-79.
• Sarmini, S., Widiawati, C., Febrianti, D., & Yuliana, D. (2024). Volatility analysis of cryptocurrencies using statistical approach and GARCH model a case study on daily percentage change. Journal of Applied Data Sciences, 5(3), 838-848. https://doi.org/10.47738/jads.v5i3.261
• Şahin, E. E., & Özkan, O. (2018). Asimetrik volatilitenin tahmini: kripto para bitcoin uygulaması. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3(2), 240-247.
• Ural, M., & Demireli, E. (2020). Asymmetrıc GARCH-type and half-life volatility modelling of USD/KZT exchange rate returns. Eurasian Research Journal, 2(2), 7-18.
• Vurur, N. S. (2021). The asymmetric effect of panic ındex on cryptocurrencies. Frontiers in Applied Mathematics and Statistics, 7, 661388. https://doi.org/10.3389/fams.2021.661388
• Wang, C. (2022). Different GARCH models analysis of returns and volatility in Bitcoin. Data Science in Finance and Economics, 2(3), 205-208.
• Yermack, D. (2013). Is Bitcoin a Real Currency? An economic appraisal. NBER Working Paper No. 19747, National Bureau of Economic Research, 1-12.
• Yıldırım, H., & Bekun, F. V. (2023). Predicting volatility of bitcoin returns with ARCH, GARCH and EGARCH models. Future Business Journal, 9(1), 1-8. https://doi.org/10.1186/s43093-023-00255-8