Journals / Yaşar Üniversitesi E-Dergisi / 2020 / Cilt: 15 - Sayı:

Heterogeneity Analysis of the Stock Markets: The Case of Borsa Istanbul

Hisse Senetleri Piyasalarında Heterojenlik Analizi: Borsa İstanbul Örneği

Pages
170–179
Publication Date
2020-03-31
DOI
—
🏛️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)

Buna göre elde edilen ampirik bulgular çerçevesinde politika önerileri sunularak literatüre katkı sunulması hedeflenmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada amaç, Heterojen Piyasa Hipotezi (HPH) çerçevesinde oynaklık ve bu oynaklığın farklı zaman dilimlerinde farklı olmasına bağlı olarak, Borsa İstanbul Hisse Senetleri Piyasası'nın heterojenlik yapısının analizini yapmaktadır.
📊
Key Findings & Data:Hisse senetleri piyasasında işlem yapan karar birimlerinin çeşitliliği, farklı zaman aralıklarında fiyat hareketlerinin farklılaşmasına neden olmaktadır.
💡
Conclusion & Impact:Buna göre elde edilen ampirik bulgular çerçevesinde politika önerileri sunularak literatüre katkı sunulması hedeflenmektedir.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Heterogeneous Market Hypothesis · HAR Model

Özet

Bu çalışmada amaç, Heterojen Piyasa Hipotezi (HPH) çerçevesinde oynaklık ve bu oynaklığın farklı zaman dilimlerinde farklı olmasına bağlı olarak, Borsa İstanbul Hisse Senetleri Piyasası'nın heterojenlik yapısının analizini yapmaktadır. Hisse senetleri piyasasında işlem yapan karar birimlerinin çeşitliliği, farklı zaman aralıklarında fiyat hareketlerinin farklılaşmasına neden olmaktadır. Bu farklılaşmanın temelinde ise, söz konusu karar birimlerinin piyasa, risk ve buna yönelik algılama biçimleri konusunda çeşitlilik göstermesidir. Davranışsal finans açısından heterojenlik olarak tanımlanan bu çeşitlilik, finans literatüründe genel olarak Heterojen Piyasa Hipotezi (HPH) çerçevesinde ele alınmaktadır. Bu hipotezin kaynağında özellikle hisse senetleri piyasasındaki kendi adına işlem yapanlar ile belirli bir kurumla ilişkili olarak işlem yapanların davranışları arasında farklılaşma olmasıdır. Bundan dolayı söz konusu süreç standart oynaklık modelleri aracılığıyla açıklanamadığından, literatürde heterojen piyasa hipotezini esas alan yeni teknikler geliştirilmiştir. Bu çalışmada kullanılan teknik, hipotezin geçerliliğini ortaya koyan bir bulgu sunmaktadır. Bununla birlikte, piyasadaki fiyat hareketlerinden hesaplanan oynaklığa dayalı bir yaklaşım sunan teknik yoluyla, piyasanın heterojenliği ile karar birimlerinin heterojenliği arasındaki ilişki de ortaya konmaktadır. Böylece Borsa Istanbul Hisse Senetleri Piyasası'nın heterojen bir piyasa özelliğine sahip olup olmadığını analiz etmenin yanında; bu çalışmada piyasa katılımcılarının söz konusu oluşum üzerindeki etkisi de incelenmektedir. Buna göre elde edilen ampirik bulgular çerçevesinde politika önerileri sunularak literatüre katkı sunulması hedeflenmektedir.

🔖

Cite This Article

KAHYAOGLU, S. B., KAHYAOĞLU, H. (2020). Heterogeneity Analysis of the Stock Markets: The Case of Borsa Istanbul. Yaşar Üniversitesi E-Dergisi, Cilt: 15 - Sayı:, 170–179. https://ajindex.com/articles/193585

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Arneodo, A., J. Muzy, and D. Sornette (1998). Casual cascade in stock market from the”infrared” to the“ultraviolet”. European Physical Journal B 2, 277. Barndorff-Nielsen E. and N. Shephard (2002). Econometric analysis of realized volatility and its use in estimating stochastic volatility models. Journal of Royal Statistical Society, Series B, 64:253–280.
  2. Buccheri and F. Corsi (2017). HARK the SHARK: Realized volatility modelling with measurement errors and nonlinear dependencies. SSRN Electronic Journal, 2017Clements Adam and Preve Daniel P. A. (2019). A Practical Guide to Harnessing the HAR Volatility Model. National Centre for Econometrics Research, Australia. NCER Working Paper: 120, http://www.ncer.edu.au/papers/documents/WP120.pdf, (Access date: 15.06.2019)
  3. Cipollini, G.M. Gallo, and E. Otranto (2017). On heteroscedasticity and regimes in volatility forecasting. SSRN Electronic Journal, 2017.
  4. Choi, H. and Varian, H. (2012). Predicting the present with google trends. Economic Record 88(s1), 2–9.
  5. Corsi F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2):174–196, 2009.
  6. Corsi F. and Reno R. (2009). HAR volatility modelling with heterogeneous leverage and jumps. https://web.stanford.edu/group/SITE/archive/SITE_2009/segment_1/s1_papers/corsi.pdf, (Access date: 15.06.2019)
  7. Dacorogna, M., Muller, U., Dav, R., Olsen, R. and Pictet, O. (1998). Modelling short-term volatility with garch and harch models. Nonlinear Modelling of High Frequency Financial Time Series, pp. 161–76.
  8. Edited by C. Dunis and B. Zhou, John Wiley, Chichester. De Lima, P.J.F., (1998). Nonlinearities and Nonstationarities in Stock Returns. Journal of Business & Economics Statistics 16, pp. 227 – 236. Diebold and R.S. Mariano (1995). Comparing predictive accuracy. Journal of Business and Economics Statistics, 13:253–263.
  9. Dickey, D. A. and 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.
  10. Hansen, A. Lunde, and J. Nason (2003). Choosing the best volatility models: the model confidence set approach. Oxford Bulletin of Economics and Statistics, 65:839–861, 2003.
  11. Hansen B. and J. Racine (2018). Bootstrap Model Averaging Unit Root Inference. McMaster University - Department of Economics Working Paper No. 2018-09 https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3156028 (Access date: 15.06.2019)
  12. Fama, E. (1965). Random w