Çalışma bulguları, Dolar-TL kurunun volatilitesinin çoklu yapısal kırılmalar içerdiği fakat bu yapısal kırılmaların dikkate alınmasının risk yönetim modellerinin performansını artırmadığı sonucuna işaret etmektedir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Bu çalışmada Dolar-TL kurunun finansal riskinin yönetiminde kullanılacak modellerin performansı üzerinde volatilitedeki çoklu yapısal kırılmaların olası etkileri incelenmiştir.
📊
Key Findings & Data:Volatilitedeki çoklu yapısal kırılmaların tespitinde ICSS algoritması ile Bai ve Perron (1998, 2003) testinden yararlanılmıştır.
💡
Conclusion & Impact:Çalışma bulguları, Dolar-TL kurunun volatilitesinin çoklu yapısal kırılmalar içerdiği fakat bu yapısal kırılmaların dikkate alınmasının risk yönetim modellerinin performansını artırmadığı sonucuna işaret etmektedir.
🔬Design:Modeling & Simulation
📍Scope:2003 Verileri
⚙️Variables:Volatilite · Çoklu yapısal kırılmalar · Risk Yönetimi
Özet
Bu çalışmada Dolar-TL kurunun finansal riskinin yönetiminde kullanılacak modellerin performansı üzerinde volatilitedeki çoklu yapısal kırılmaların olası etkileri incelenmiştir. Finansal risk yönetim modelleri olarak volatilite öngörü (volatlity forecasting) modelleri ile piyasa riski ölçüm modelleri esas alınmıştır. Volatilitedeki çoklu yapısal kırılmaların tespitinde ICSS algoritması ile Bai ve Perron (1998, 2003) testinden yararlanılmıştır. Zamanla değişen volatilite değerleri ise FIGARCH modeli ile tahmin edilmiştir. Çalışma bulguları, Dolar-TL kurunun volatilitesinin çoklu yapısal kırılmalar içerdiği fakat bu yapısal kırılmaların dikkate alınmasının risk yönetim modellerinin performansını artırmadığı sonucuna işaret etmektedir.
ALOUI, Chaker ve HAMIDA, Hela ben. (2014). Modelling and Forecasting Value-at-Risk and Expected Shortfall for GCC Stock Markets: Do Long Memory, Structural Breaks, Asymmetry, and Fat-Tails Matter? The North American Journal of Economics and Finance, 29, 349-380.
BAI, Jushan ve PERRON, Pierre. (1998).Estimating and Testing Linear Models with Multiple Structural Changes. Econometrica, 66 (1), 47-78.
BAI, Jushan ve PERRON, Pierre. (2003).Computition and Analysis of Multiple Structural Change Models. Journal of Applied Econometrics, 18 (1), 1-22.
BAILLIE, Richard T., BOLLERSLEV, Tim ve MIKKELSEN, Hans Ole.(1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 74, 13-30.
BELKHOUJA, Mustapha ve BOUTAHARY, Mohamed. (2011). Modeling Volatility with Time-Varying FIGARCH Models. Economic Modelling, 28 (3), 1106-1116.
BENTES, Sonia R. (2015). Forecasting Volatility in Gold Returns under the GARCH, IGARCH and FIGARCH Frameworks: New Evidence. Physica A, 438: 355–364.
BOLLERSLEV, Tim ve MIKKELSEN, Hans Ole. (1996). Modeling and Pricing Long Memory in Stock Market Volatility. Journal of Econometrics, 73 (1), 151-184.
BOLLERSLEV, Tim ve WOOLDRIDGE, Jeffrey M. (1992). Quasi Maximum Likelihood Estimation and Inference in Dynamic Models with Time Varying Covariances. Econometric Reviews 11 (2), 143-172.
BÜBERKÖKÜ, Onder ve KIZILDERE, Celal. (2017). BİST100 Endeksinin Volatilite Dinamiklerinin İncelenmesi. V Anadolu International Conference in Economics.11-13
Mayıs, Eskişehir,Türkiye. https://www. researchgate.net/publication /337007633_BIST100 _Endeksinin_Volatilite_ Ozelliklerinin_ Incelenmesi CHARFEDDINE, Lanouar ve GUÉGAN, Dominique. (2012). Breaks or Long Memory Behavior: An Empirical Investigation. Physica A: Statistical Mechanics and its Applications, 391 (22), 5712-5726.
CHARFEDDINE, Lanouar. (2014). True or Spurious Long Memory in Volatility: Further Evidence on the Energy Futures Markets. Energy Policy,71, 76–93.
CUARESMA, Jesu´s Crespo, HLOUSKOVA, Jaroslava, KOSSMEIER Stephan ve OBERSTEINER, Michael. (2004). Forecasting Electricity Spot-Prices Using Linear Univariate Time Series. Aplied Energy, 77 (1), 87-106.
ÇEVİK, Emrah İsmail ve TOPALOĞLU, Gültekin. (2014). Volatilitede Uzun Hafıza ve Yapısal Kırılma: Borsa İstanbul Örneği. Balkan Sosyal Bilimler Dergisi, 3(6), 40-55.
DICKEY, David. A. ve FULLER, Wayne A. (1979). Distribution of the Estimators for Autoregressive Time Series with Unit Root. Journal of