Koşullu Değişen Varyans Modelleri ile BİST 100 Endeks Getirisi ve Altın Getiri Serisi Volatilitesinin Tahmini

Abstract

Interest on volatility in financial markets has resulted in the emergence of many volatility modeling methods. ARCH/GARCH class conditional heteroscedasticity modeling come to the fore, especially in high-frequency financial data modeling techniques, due to the alignment shown. Financial decisions, in particular, the need for evaluation of risk and return have played an important role in gaining importance of such models. BIST 100 index and gold prices are both investment instruments and indicators that act as a barometer of macroeconomic developments. This study aims to define the most appropriate conditional heteroscedasticity models for modeling the volatility of BIST 100 index return and gold returns.For this purpose, in this study, daily closing market prices data of BIST-100 index between the dates of 3th January 2003-11th September 2013 and the weighted average prices data of daily gold exchange transactions between the dates of 3th January 2005–10th September 2013 are used. According the results of the study; the most appropriate model for estimating the volatility of BIST 100 index return is TARCH(1,1). The findings concerning the BIST 100 index return show that there are some asymmetric effects on the volatility of the index return. Also the results show that the most appropriate model for gold returns index volatility is GARCH(1,1)

Keywords

• -

Koşullu Değişen Varyans Modelleri ile BİST 100 Endeks Getirisi ve Altın Getiri Serisi Volatilitesinin Tahmini

Öz

Finansal piyasalarda volatilitenin tahmin edilebilir bir kavram olması, volatiliteyi modelleyen birçok yöntemin ortaya çıkması ile sonuçlanmıştır. ARCH/GARCH sınıfı koşullu değişen varyans modellemeleri, özellikle yüksek frekanslı finansal verilere gösterdiği uyum nedeniyle ön plana çıkan modelleme teknikleridir. Özellikle finansal kararların, risk ve getiri bağlamında değerlendirilmesinin gerekliliği, bu tür modellerin önem kazanmasında rol oynamıştır. BİST 100 endeksi ve altın fiyatları, hem yatırım aracı olarak hem de makroekonomik gelişmelerin bir barometresi olarak görev yapan göstergeler konumundadır. Bu çalışma, BİST 100 endeks getirisi ve altın getirisi volatilitesinin modellenmesi amacıyla en uygun koşullu değişen varyans modellerinin belirlenmesini amaçlamaktadır. Bu amaçla, çalışmada 3 Ocak 2003-11 Eylül 2013 tarihleri arasındaki kapanış fiyatlarına göre günlük BİST-100 endeksi serisi ve 3 Ocak 2005-10 Eylül 2013 tarihleri arasındaki günlük altın borsası işlemleri, ağırlıklı ortalama fiyat (TL/KG) verileri kullanılmıştır. Çalışmada, BİST 100 endeks volatilitesi için en uygun model TARCH(1,1) modeli olarak belirlenmiştir. Bu model, BİST 100 endeks getirisi serisi üzerinde asimetrik etkilerin olduğunu göstermektedir. Çalışmada, altın getiri serisinin volatilitesinin ölçülmesi için en uygun model ise GARCH(1,1) modelidir

Anahtar Kelimeler

• Koşullu Değişen Varyans Modelleri
• BİST 100 Endeks Getirisi
• Altın Getirisi
• Volatilite

Kaynakça

1. ABKEN, P. A. (1980). “The Economics of Gold Price Movements”. Economic Review, March: 3-13.
2. AGRAWAL, G. & SRIVASTAVA, A. (2011). “Stock Market Returns and Exchange Rates Volatility: A GARCH Application”.
3. Research Journal of International Studies, 20: 12-23. AKAR, C. (2007). “Volatilite Modellerinin Öngörü Performansları: ARCH, GARCH ve SWARCH Karşılaştırması”. Dokuz Eylül
4. Üniversitesi İşletme Fakültesi Dergisi, 8(2): 201-217. AKKÜN, I. ve SAYYAN, H. (2007). “İMKB-30 Hisse Senedi Getirilerinde Volatilitenin Kısa ve Uzun Hafızalı Asimetrik Koşullu
5. Değişen Varyans Modelleri ile Öngörüsü”. İşletme, İktisat ve Finans Dergisi, 22(250): 127-141. ALBERG, D.; SHALIT, H. ve YOSEF, R.; (2008). “Estimating Stock Market Volatility Using Asymetric GARCH Models”. Applied
6. Financial Economics, 18: 1201-1208.
7. ATAKAN, T. (2008). “İstanbul Menkul Kıymetler Borsası’nda Haftanın Günü Etkisi ve Ocak Ayı Anomalilerinin ARCH-GARCH
8. Modelleri ile Test Edilmesi”. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 37(2): 98-110. ATAKAN, T. (2009). “İstanbul Menkul Kıymetler Borsasında Değişkenliğin (Volatilitenin) ARCH-GARCH Yöntemleri İle

9. Modellenmesi”. İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü Dergisi-Yönetim Dergisi, 20(62): 48-61. AYGÖREN, H. (2006). “İstanbul Menkul Kıymetler Borsasında Değişkenlik (Oynaklık) Davranışı Üzerine Ampirik Bir Çalışma”.
10. İktisat, İşletme ve Finans Dergisi, 21(249): 95-110. BİLDİRİCİ, M.; OKTAY, S. ve AYKAÇ, E. (2007). “İMKB’de Getiri Değişkenliğinin Hesaplanmasında ARCH/GARCH Ailesi
11. Modellerinin Kullanılması”. 8. Ekonometri ve İstatistik Kongresi, 24-25 Mayıs, İnönü Üniversitesi, Malatya. BOLLERSLEV, T. (1986). “Generalized Autoregressive Conditional Heteroskedasticity”. Journal of Econometrics, 31: 307-327.
12. ÇABUK, H. A.; ÖZMEN, M. ve KÖKCEN, A. (2011). “Koşullu Varyans Modelleri: İMKB Serileri Üzerine Bir Uygulama”. Çukurova
13. Üniversitesi İİBF Dergisi, 15(2): 1-18. ÇAĞIL, G. ve OKUR, M. (2010). “2008 Küresel Krizinin İMKB Hisse Senedi Piyasası Üzerindeki Etkilerinin GARCH Modelleri ile Analizi”. Marmara Üniversitesi İ.İ.B.F. Dergisi, XXVIII(I): 573-585.
14. ÇALIŞKAN ÇAVDAR, Ş. (2012). “İMKB Ulusal-100 Endeksi Getiri Volatilitesinin ARCH Modelleri İle Analizi (1998:01-2009:12)”.
15. Hikmet Yurdu Düşünce-Yorum Sosyal Bilimler Araştırma Dergisi, 5(9): 65-79. ELSHEIKH, M. A. & SULIMAN, Z. (2011). “Modelling Stock Market Volatility Using GARCH Models: Evidence From Sudan”.
16. International Journal Business and Social Science, 2(23): 114-125. ENGLE, R. F. (1982). “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation”. Econometrica, 50(4): 987-1007.
17. ENGLE, R. (2001). “GARCH 101: The Use of ARCH/GARCH Models in Applied Econometrics”. Journal of Economic Perspectives, 15(4): 157-168.
18. ERDOĞAN, O. ve SCHMIDBAUER, H. (1997). “Yatırımcıların İki Finansal Piyasa Arasında Tercihi: Koşullu Korelasyon Yaklaşımı”. İMKB Dergisi, 8(30): 2-14.
19. FABOZZI, F. J.; TUNARU, R. & WU, T. (2004). “Modeling Volatility for Chinese Equity Markets”. Annals of Economics and Finance, 5: 79-92.
20. FLOROS, C. (2008). “Modelling Volatility Using GARCH Models: Evidence From Egypt and Israel”. Middle Eastern Finance and Economics, 2: 31-41.
21. GOUDARZI, H. & RAMANARAYANAN, C. S. (2010). “Modelling and Estimation of Volatility in the Indian Stock Market”.
22. International Journal of Business and Management, 5(2): 85-98. GÖKÇE, A. (2001a). “Döviz Piyasalarındaki Belirsizlik: Volatilitenin Ölçülmesi ve ARCH Modelleri”. İktisat, İşletme ve Finans Dergisi, 16(181): 78-90.
23. GÖKÇE, A. (2001b). “İstanbul Menkul Kıymetler Borsası Getirilerindeki Volatilitenin ARCH Teknikleri ile Ölçülmesi”. Gazi
24. Üniversitesi İ.İ.B.F. Dergisi, (1): 35-58. HAMMOUDEH, S. & YUAN, Y. (2008). “Metal Volatility in Presence of Oil and Interest Rate Shocks”. Energy Economics, 30: 606– 6
25. HARMSTON, S. (1998). “Gold as a Store of Value”. Research Study No. 22, World Gold Council.
26. KALAYCI, Ş. (2005). “Borsa ve Ekonomide Volatilite İlişkisi: İMKB’de Bir Şartlı Varyans Analizi”. Süleyman Demirel Üniversitesi
27. İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(1): 241-250. KARMAKAR, M. (2005). “Modelling Conditional Volatility of the Indian Stock Markets”. VIKALPA, 30(3): 21-37.
28. KIRAN, B. (2010). “İstanbul Menkul Kıymetler Borsası’nda İşlem Hacmi ve Getiri Volatilitesi”. Doğuş Üniversitesi Dergisi, 11(1): 98
29. KIZILSU, S. S.; AKSOY, S. ve KASAP, R. (2001). “Bazı Makro Ekonomik Zaman Dizilerinde Değişen Varyanslılığın İncelenmesi”.
30. Gazi Üniversitesi İ.İ.B.F. Dergisi, 1: 1-18. LAMOUREUX, C. G. & LASTRAPES, W. D. (1990). “Heteroskedasticity in Stock Return Data: Volume versus GARCH Effects”. The Journal of Finance, 45(1): 221-229.
31. LUNIESKI, C. (2009). “Commodity Price Volatility and Monetary Policy Uncertainty: A GARCH Estimation”. Issues in Political Economy, 19: 108-124.
32. ÖZDEN, Ü. H. (2008). “İMKB Bileşik 100 Endeksi Getiri Volatilitesinin Analizi”. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 7(13): 339-350.
33. ÖZER, M. ve TÜRKYILMAZ, S. (2004). Türkiye Finansal Piyasalarında Oynaklıkların ARCH Modelleri ile Analizi, T.C. Anadolu
34. Üniversitesi Yayınları, No: 1593, Eskişehir.
35. PARVARESH, M. & BAVAGHAR, M. (2012). “Forecasting Volatility in Tehran Stock Market with GARCH Models”. Journal of Basic and Applied Scientific Research, 2(1): 150-155.
36. PEREIRA, R. (2004). “Forecasting Portuguese Stock Market Volatility”. http://www.efmaefm.org/efma2005/papers/197- pereira_paper.pdf, 15.11.2012.
37. SEVÜKTEKİN, M. ve NARGELEÇEKENLER, M. (2006). “İstanbul Menkul Kıymetler Borsasında Getiri Volatilitesinin Modellenmesi ve Önraporlanması”. Ankara Üniversitesi SBF Dergisi, 61(4): 243-265.
38. TOPCU, A. (2010). Altın Fiyatlarını Etkileyen Faktörler, Sermaye Piyasası Kurulu Araştırma Raporu, Ankara.
39. TORAMAN, C.; BAŞARIR, Ç. ve BAYRAMOĞLU, M. F. (2011a). “Altın Fiyatlarını Etkileyen Faktörlerin Tespiti Üzerine: MGARCH
40. Modeli İle Bir İnceleme”. Uluslararası Alanya İşletme Fakültesi Dergisi, 3(1): 1-20. TORAMAN, C.; BAŞARIR, Ç. ve BAYRAMOĞLU, M. F. (2011b). “Determination of Factors Affecting the Price of Gold: A Study of
41. MGARCH Model”. Business and Economics Research Journal, 2(4): 37-50. EKLER Ek-1 BİST 100 Endeksi Getirisine Ait Korelogram Date: 10/11/13 Time: 14:35 Sample: 1/14/2003 9/11/2013
42. Ek-2 Altın Getirisi Serisine Ait Korelogram Autocorrelation Partial Correlation AC PAC Q-Stat Prob | | | | | | -0.040 0.008 -0.031 -0.031 0.203 0.152 0.004 0.003 0.000 *| | *| | 0.041 0.039 0.000 0.019 -0.004 -0.017 0.016 0.010 0.003 0.013 0.004 Ek-3 TARCH(1,1) Modeline Ait Korelogram Date: 10/09/13 Time: 16:09 Sample: 1/16/2003 9/11/2013
43. Included observations: 2676
44. Q-statistic probabilities adjusted for 8 ARMA term(s) Autocorrelation Partial Correlation AC PAC Q-Stat Prob | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | 1 0.010 0.003 -0.013 0.000 -0.000 4 0.7384 0.7617 7789 8789 4445 5277 5047 5164 0856 2316 5031 7070 309 318 381 975 996 459 956 284 306 -0.003 -0.004 0.366 24
45. Ek-4 GARCH(1,1) Modeline Ait Korelogram Q-statistic probabilities adjusted for 6 ARMA term(s) Autocorrelation Partial Correlation AC PAC Q-Stat Prob 0.006 0.006 | | | | -0.004 -0.019 -0.019 | | | | -0.017 -0.017 -0.013 0.005 0.001 -0.026 -0.026 -0.012 -0.009 -0.010 | | | | | | | | 24 0.008 0.009 546 0.870