SavedAdd your journal

Journals / Tarsus Üniversitesi Uygulamalı Bilimler Fakültesi Dergisi / 2026 / Cilt: 6 Sayı: 1

Informational Efficiency and the Probability of Extreme Negative Returns in the BIST 100 Index

BİST 100 ENDEKSİNDE BİLGİSEL ETKİNLİK VE AŞIRI NEGATİF GETİRİ OLASILIĞI

Serkan Alkan(Tarsus Üniversitesi)0000-0002-7773-7321
Pages
1–21
Publication Date
2026-10-24
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Overall, the findings suggest that deteriorations in informational efficiency contain meaningful information about downside tail risk in the BIST 100 Index.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:This study aims to examine the relationship between informational efficiency and the probability of extreme negative returns in the BIST 100 Index.
📊
Key Findings & Data:The analysis uses daily BIST 100 closing data for the period from January 5, 2015 to March 12, 2026.
💡
Conclusion & Impact:Overall, the findings suggest that deteriorations in informational efficiency contain meaningful information about downside tail risk in the BIST 100 Index.
🔬Design:Modeling & Simulation
📍Scope:2015 Verileri
⚙️Variables:Bilgisel Etkinlik · Shannon Entropisi · Logit Modeli

Abstract

This study aims to examine the relationship between informational efficiency and the probability of extreme negative returns in the BIST 100 Index. The analysis uses daily BIST 100 closing data for the period from January 5, 2015 to March 12, 2026. Informational efficiency is measured using normalized Shannon entropy calculated for different rolling window and block lengths, while the probability of extreme negative returns is analyzed through logit models. In the main model, observations in the lower 1% tail of the daily return distribution are defined as extreme negative returns, whereas the lower 5% threshold is used for robustness analysis. Volatility and Amihud illiquidity are also included as control variables, and coefficient significance is evaluated using heteroskedasticity and autocorrelation consistent HAC standard errors. The findings show that the coefficient of the entropy variable is negative and statistically significant in both the baseline and control-variable models. The robustness analysis based on the lower 5% threshold also indicates that this relationship continues under a broader definition of negative returns. Overall, the findings suggest that deteriorations in informational efficiency contain meaningful information about downside tail risk in the BIST 100 Index.

Özet

Bu çalışmanın amacı, BİST 100 endeksinde bilgisel etkinlik ile aşırı negatif getiri olasılığı arasındaki ilişkiyi incelemektir. Çalışmada 5 Ocak 2015–12 Mart 2026 dönemine ait günlük BİST 100 kapanış verileri kullanılmıştır. Bilgisel etkinlik, farklı kayan pencere ve blok uzunlukları için hesaplanan normalize Shannon entropisi ile ölçülmüş, aşırı negatif getiri olasılığı ise logit modelleri aracılığıyla analiz edilmiştir. Ana modelde günlük getiri dağılımının alt %1’lik kısmı aşırı negatif getiri göstergesi olarak tanımlanmış, alt %5 eşiği ise sağlamlık analizi amacıyla kullanılmıştır. Ayrıca volatilite ve Amihud illikidite değişkenleri kontrol değişkenleri olarak modele dahil edilmiş, katsayı anlamlılıkları heteroskedastisite ve otokorelasyona tutarlı HAC standart hatalarla değerlendirilmiştir. Bulgular, entropi değişkenine ait katsayının temel ve kontrol değişkenli modellerde negatif ve istatistiksel olarak anlamlı olduğunu göstermektedir. Alt %5 eşiğine dayalı sağlamlık analizi de bu ilişkinin daha geniş negatif getiri tanımı altında devam ettiğini ortaya koymaktadır. Genel bulgular, BİST 100’de bilgisel etkinlikteki zayıflamaların aşağı yönlü uç risk açısından anlamlı bilgi taşıdığını göstermektedir.

🔖

Cite This Article

Alkan, S. (2026). Informational Efficiency and the Probability of Extreme Negative Returns in the BIST 100 Index. Tarsus Üniversitesi Uygulamalı Bilimler Fakültesi Dergisi, Cilt: 6 Sayı: 1, 1–21. https://doi.org/10.66316/tauubf.1966055

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (43)

  1. Adel, B. ve Lamia, S. (2011). Crash occurrence probability and stock market efficiency: The Chinese stock exchange via Shannon entropy. International Journal of Management Science and Engineering Management, 6(4), 243- 246.
  2. Alkan, S. (2024). Liquidity and market efficiency in Borsa Istanbul. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 42(3), 371-384.
  3. Alkan, S. ve Süsay Alkan, A. (2025). Time-Varying Market Efficiency in the Turkish Stock Market: Evidence from an Entropy-Based Analysis. Journal of Mehmet Akif Ersoy University Economics and Administrative Sciences Faculty, 12(2), 477-500.
  4. Alvarez-Ramirez, J., Rodriguez, E. ve Alvarez, J. (2012). A multiscale entropy approach for market efficiency. International Review of Financial Analysis, 21, 64-69.
  5. Amihud, Y. (2002). Illiquidity and stock returns: cross-section and time-series effects. Journal of Financial markets, 5(1), 31-56.
  6. Aytekin, S. ve Doğan, S. (2023). Testing the adaptive market hypothesis in equity markets in global financial crisis periods: An application on Borsa Istanbul indices. İktisadi İdari ve Siyasal Araştırmalar Dergisi, 8(21), 377- 402.
  7. Baker, H. K. ve Nofsinger, J. R. (2002). Psychological biases of investors. Financial Services Review, 11(2), 97-116.
  8. Bektur, Ç. ve Aydın, M. (2019). Borsa İstanbul ve Alt Endekslerinde Zayıf Formda Piyasa Etkinliğinin Analizi: Fourier Yaklaşimi. Akademik İncelemeler Dergisi, 14(2), 59-76.
  9. Boubaker, A. ve Lamia, S. (2010). Crash probability occurrence and stock market efficiency: The Tunisian stock exchange case via Shannon entropy. European Real Estate Society (ERES).
  10. Boubaker, A. ve Sahli, L. (2012). Crash occurrence probability and stock market efficiency: The Indie stock exchange case via Shannon entropy. International Journal of Accounting and Financial Reporting, 2(2), 158–167.
  11. Brunnermeier, M., Gorton, G., ve Krishnamurthy, A. (2013). Liquidity mismatch measurement. In Risk topography: Systemic risk and macro modeling (pp. 99-112). University of Chicago Press.
  12. Chollete, L., ve Lu, C. (2012). The price of tail risk in liquidity and returns. Working paper, University of Stavanger.
  13. Chortane, S. G. ve Naoui, K. (2022). Information entropy theory and asset valuation: A literature survey. International Journal of Accounting, Business and Finance, 2(1), 42-60.
  14. Cruz-Hernández, A. R. ve Mora-Valencia, A. (2024). Adaptive market hypothesis and predictability: Evidence in Latin American stock indices. Latin American Research Review, 59(2), 292-314.
  15. Erer, D., Erer, E. ve Güngör, S. (2023). The aggregate and sectoral time-varying market efficiency during crisis periods in Turkey: a comparative analysis with COVID-19 outbreak and the global financial crisis. Financial Innovation, 9(1), 80.
  16. Ertaş, F. C. ve Özkan, O. (2018). Piyasa etkinliği açısından adaptif piyasa hipotezi’nin test edilmesi: Türkiye ve ABD hisse senedi piyasaları örneği. Finans Politik ve Ekonomik Yorumlar, (642), 223-240.
  17. Eyüboğlu, K. ve Eyüboğlu, S. (2020). Borsa İstanbul endekslerinde adaptif piyasa hipotezinin geçerliliğinin test edilmesi. Yaşar Üniversitesi E-Dergisi, 15(59), 642-654.
  18. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417.
  19. Grech, D. ve Mazur, Z. (2004). Can one make any crash prediction in finance using the local Hurst exponent idea?. Physica A: Statistical Mechanics and its Applications, 336(1-2), 133-145.
  20. Günbay Yılmaz, S. G. ve Karaaslan, İ. (2025). Analysis of efficent markets hypothesis in share market with long memory models. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 27(49), 611-627.
  21. Kanapickienė, R., Vasiliauskaitė, D., Keliuotytė-Staniulėnienė, G., Špicas, R., Omeir, A. K. ve Kanapickas, T. (2024). A comprehensive review of behavioral biases in financial decision-making: from classical finance to behavioral finance perspectives. Journal of Business Economics and Management. 25(5), 1006-1029.
  22. Karaca, C. (2025). BRICS-T Ülkelerinde Adaptif Piyasa Hipotezi: Jeopolitik Risklerin Dinamik Etkileri ve Piyasa Tahmin Edilebilirliği. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 26(2), 421-441.
  23. Kılıç, Y. (2020). Adaptive market hypothesis: Evidence from the Turkey stock market. Journal of Applied Economics and Business Research, 10(1), 28-39.
  24. Kır Gümüş, E. ve Süsay Alkan, A. (2025). Borsa İstanbul'da XU100 Endeksi Volatilitesinin Belirleyicileri: Likidite, Döviz Kuru ve Yatırımcı Dinamikleri. Akademik Araştırmalar ve Çalışmalar Dergisi (AKAD), 17(33), 503- 518.
  25. Köse İçigen, F. K. ve Kayalı, M. M. (2022). Adaptif Piyasa Hipotezi Kapsamında Getiri Öngörülebilirliği ile Piyasa Koşulları Arasındaki İlişkinin İncelenmesi: BIST 100 Endeksi Örneği. Finans Politik ve Ekonomik Yorumlar, 59(659), 135-160.
  26. Lo, A.W. (2004). The Adaptive Markets Hypothesis. Journal of Portfolio Management, 30, 15-29.
  27. Lo, A. W. (2005). Reconciling efficient markets with behavioral finance: the adaptive markets hypothesis. Journal of Investment Consulting, 7(2), 21-44.
  28. Malcıoğlu, G. ve Aydın, M. (2016). Borsa İstanbul’da Piyasa Etkinliğinin Analizi: Harvey Doğrusallık Testi. Journal of Accounting, Finance and Auditing Studies, 2(1), 112-122.
  29. Naik, P., ve Reddy, Y. V. (2021). Stock market liquidity: A literature review. Sage Open, 11(1), 2158244020985529.
  30. Newey, W. K. ve West, K. D. (1987). A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica, 55(3), 703–708.
  31. Oğuz, O. (2021). BIST-100 Endeksinde Doğrusal ve Doğrusal Olmayan Yöntemlerle Zayıf Formda Piyasa Etkinliğinin Testi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 5(1), 107-123.
  32. Özdemir, M. (2022). Etkin piyasa hipotezinin yapısal kırılmalı ve doğrusal olmayan birim kök testleri ile analizi: Borsa İstanbul üzerine bir uygulama. EKOIST Journal of Econometrics and Statistics, (37), 257-282.
  33. Papla, D. ve Siedlecki, R. (2024). Entropy as a tool for the analysis of stock market efficiency during periods of crisis. Entropy, 26(12), 1079.
  34. Patra, S. ve Hiremath, G. S. (2022). An entropy approach to measure the dynamic stock market efficiency. Journal of Quantitative Economics, 20(2), 337-377.
  35. Pele, D. T. (2011). Information entropy and occurrence of extreme negative returns. Journal of Applied Quantitative Methods, 6, 23-32.
  36. Risso, W. A. (2008). The informational efficiency and the financial crashes. Research in International Business and Finance, 22(3), 396-408.
  37. Sezen, S. (2025). Gelişen Piyasalarda Zayıf Formda Piyasa Etkinliğinin Uzun Hafıza Modelleri ve Yapısal Kırılma Testi ile Analizi: E7 Ülkelerinden Kanıtlar. Turkish Studies-Economics, Finance, Politics, 20(Ö1).
  38. Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27(3), 379- 423.
  39. Shleifer, A. (2000). Inefficient Markets. Oxford University Press, NY.
  40. Süsay Alkan, A. (2024). Yerli ve yabancı yatırımcıların Borsa İstanbul’un piyasa etkinliğine etkisi: Fourier eşbütünleşme yaklaşımı. Trakya Üniversitesi İktisadi ve İdari Bilimler Fakültesi E-Dergi, 13(1), 66-81.
  41. Şenol, A. ve Koç, İ. (2025). Adaptif Piyasalar Teorisi: BIST-30 Endeksinin Etkinlik Analizi. Pamukkale Üniversitesi İşletme Araştırmaları Dergisi, 12(2), 614-627.
  42. Varol, G., ve Kıran Baygın, B. (2025). Borsa İstanbul Sektör Endekslerinde Zayıf Formda Piyasa Etkinliği: Fourier Kantil Birim Kök Testi Yaklaşımı. EKOIST Journal of Econometrics and Statistics, (43), 165-183.
  43. Zhou, R., Cai, R. ve Tong, G. (2013). Applications of entropy in finance: A review. Entropy, 15(11), 4909-4931