SavedAdd your journal

Journals / Finans Politik ve Ekonomik Yorumlar Dergisi / 2022 / Cilt: 0 - Sayı: 659

A HYBRID MODEL FOR FOREIGN EXCHANGE RATE VOLATILITY: ARTIFICIAL NEURAL NETWORK BASED EGARCH

DÖVİZ KURU VOLATİLİTESİNİ ÖNGÖRMEDE MELEZ BİR MODEL: YAPAY SİNİR AĞI TABANLI EGARCH

Müge SAĞLAM BEZGİN
Ebru KAYA
Pages
115–133
Publication Date
2022-10-18
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)

As a result of the examinations, the predictive performance of the hybrid model was found to be better than the GARCH type models.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Fluctuations in exchange rates cause new searches for volatility models.
📊
Key Findings & Data:In this study, it is aimed to predict the real buying rate of US Dollar / Turkish Lira with daily data of 2018-2019 period.
💡
Conclusion & Impact:As a result of the examinations, the predictive performance of the hybrid model was found to be better than the GARCH type models.
🔬Design:Modeling & Simulation
📍Scope:2018-2019 Verileri
⚙️Variables:Domain Parameters

Abstract

Fluctuations in exchange rates cause new searches for volatility models. In this study, it is aimed to predict the real buying rate of US Dollar / Turkish Lira with daily data of 2018-2019 period. In this context, an artificial neural network based EGARCH model was developed to increase the capability of GARCH type models. GARCH type models were modeled with GARCH (1,1), GJR-GARCH (1,1) and EGARCH (1,1). A hybrid prediction model was constructed by channeling the errors obtained from the EGARCH (1,1) model, which is the effective model according to the relevant information criteria, to the artificial neural network. As a result of the examinations, the predictive performance of the hybrid model was found to be better than the GARCH type models.

Özet

Döviz kurlarında yaşanan dalgalanmalar, volatilite modellerinde yeni arayışlar yapılmasına neden olmaktadır. Bu çalışmada 2018-2019 dönemi günlük verileriyle ABD doları/Türk Lirası reel alış kuru üzerinde öngörü yapılması amaçlanmıştır. Bu bağlamda GARCH Tipi modellerin kabiliyetini artırmak amacıyla geliştirilmiş yapay sinir ağı tabanlı EGARCH modeli ile öngörü yapılmıştır. GARCH tipi modellerden GARCH (1,1), GJR-GARCH (1,1) ve EGARCH (1,1) ile modellemeler yapılmış, ilgili bilgi kriterine göre etkin model olan EGARCH (1,1) modelinden elde edilen hatalar ile ile sinir ağı modeli kurulmuştur ve melez bir öngörü modeli inşa edilmiştir. Yapılan incelemeler sonucunda uygulanan melez modelin öngörü performansının GARCH tipi modellere kıyasla daha iyi olduğu görülmüştür.

🔖

Cite This Article

BEZGİN, M. S., KAYA, E. (2022). A HYBRID MODEL FOR FOREIGN EXCHANGE RATE VOLATILITY: ARTIFICIAL NEURAL NETWORK BASED EGARCH. Finans Politik ve Ekonomik Yorumlar Dergisi, Cilt: 0 - Sayı: 659, 115–133. https://ajindex.com/articles/516480

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. ADLIĞ, Şevket G; (2009), “Finansal Piyasalarda Ardışık Bağlanımlı Koşullu Varyans Etkileri, Oynaklık Tahmini ve Türkiye Üzerine Bir Uygulama”, Yüksek Lisans Tezi, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü. AKAR, Cüneyt; (2007), Volatilite Modellerinin Öngörü Performansları: ARCH, GARCH ve SWARCH Karşılaştırması, İşletme Fakültesi Dergisi, Cilt 8, Sayı 2, 2007, ss. 201-217
  2. AKAR, Cüneyt; (2008), “Hisse Senedi Getirilerinde Volatilite ve Otokorelasyon İlişkisi: EAR-GARCH Modeli”, Elektronik Sosyal Bilimler Dergisi, 7(23), ss.134-142
  3. AKEL, Veli; (2011), Kriz Dönemlerinde Finansal Piyasalar Arasındaki Volatilite Yayılma Etkisi, 1. Basım, Detay Yayıncılık, Ankara.
  4. BAYKUT, Ender ve Veysel KULA; (2018), “Borsa İstanbul Pay Endekslerinin Volatilite Yapısı: BİST-50 Örneği (2007-2016 Yılları)”, Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 20(1), ss. 279-303 BİST, (2018),https://www.borsaistanbul.com, 31.12.2019.
  5. BOOTH, Geoffrey and Gregory KOUTMOS; (1998), “Interaction Of Volatility And Autocorrelation in Foreign Stock Returns”, Applied Economics Letters, 5 (11), pp. 715-717.
  6. BROOKS, Chris; (2008),Introductory Econometrics For Finance. Second Edition,
  7. Cambridge University Press,
  8. Cambridge. BUNNAG, Tanattrin; (2016), “Volatility Transmission in Crude Oil, Gold, Standard and Poor’s 500 and US Dollar Index Futures using Vector Autoregressive Multivariate Generalized Autoregressive Conditional Heteroskedasticity Model”, International Journal of Energy Economics and Policy, 6(1), pp. 39-52
  9. CAMPBELL, John Y., Andrew W LO. and Craig A MACKİNLAY.; (1997),The Econometrics of Financial Markets, Princeton University Press,
  10. New Jersey. CARCHANO, Oscar, Julio LUCİA and Angel PARDO.; (2017), “A New Perspective on the Relationship between Trading Variables and Volatility in Futures Markets”, International Journal of Economics and Financial Issues, 7(2), pp. 397-407
  11. ÇABUK, Altan, Mehmet ÖZMEN ve Arzu KÖKCEN; (2011), “Koşullu Varyans Modelleri: İmkb Serileri Üzerine Bir Uygulama”, Çukurova Üniversitesi İİBF Dergisi,15(2), ss.1-18
  12. ÇİL, Nilgün; (2018),
  13. Finansal Ekonometri, Der Yayınları, İstanbul. CİHANGİR KURT Çiğdem ve Erginbay UĞURLU; (2017), “Altın Piyasasında Asimetrik Oynaklık: Türkiye İçin Model Önerisi”, İşletme Araştırmaları Dergisi, 9(3), ss. 284- 299. DEMİRGİL, Hakan ve İbrahim Y GÖK.; (2014),“Türkiye Ve Başlıca AB Pay Piyasaları Arasında Asimetrik Volatilite Yayılımı”, Yönetim ve Ekonomi Araştırmaları Dergisi, 23, ss. 315-340
  14. EKONOMİHABER, TCMB’den Dolara Müd