KaydedilenlerDerginizi ekleyin

Dergiler / Ekonomi Politika ve Finans Araştırmaları Dergisi / 2026 / Cilt: 6 Sayı: IERFM Özel Sayısı Özel Sayı

Twitter Bazlı Belirsizlik Endeksi Kripto Paraların Volatilitesini Etkiler mi?

Does The Twitter-Based Uncertainty Index Affect the Volatility of Cryptocurrencies?

Sümeyra Gazel(BOZOK ÜNİVERSİTESİ)0000-0001-8687-0928
Sayfa
207–224
Yayın Tarihi
2021-12-30
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Twitter Bazlı Belirsizlik Endeksinin bu modellerin hepsinde istatistiki olarak anlamlı ve pozitif bir etkiye sahip olduğu tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma 2011 yılından itibaren temel olarak “belirsizlik” ve “ekonomi” anahtar kelimelerini içeren tweetlerin baz alınarak oluşturulduğu Twitter Bazlı Belirsizlik Endeksinin, son yılların gözde yatırım araçlarından olan kripto paraların volatilitesine etkisini incelemeyi amaçlamaktadır.
📊
Temel Bulgular & Veri:Piyasa değeri en yüksek, Binance, Bitcoin, Cardano, Ethereum, Ripple ve Tether kripto paralar 18/01/2018- 11/07/2021 dönemi için günlük verilerle ARCH-GARCH ailesi modelleri ile incelenmiştir.
💡
Sonuç & Katkı:Twitter Bazlı Belirsizlik Endeksinin bu modellerin hepsinde istatistiki olarak anlamlı ve pozitif bir etkiye sahip olduğu tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2011 Verileri
⚙️Değişkenler:Kripto Para · Volatilite · ARCH GARCH

Özet

Bu çalışma 2011 yılından itibaren temel olarak “belirsizlik” ve “ekonomi” anahtar kelimelerini içeren tweetlerin baz alınarak oluşturulduğu Twitter Bazlı Belirsizlik Endeksinin, son yılların gözde yatırım araçlarından olan kripto paraların volatilitesine etkisini incelemeyi amaçlamaktadır. Piyasa değeri en yüksek, Binance, Bitcoin, Cardano, Ethereum, Ripple ve Tether kripto paralar 18/01/2018- 11/07/2021 dönemi için günlük verilerle ARCH-GARCH ailesi modelleri ile incelenmiştir. Çalışmada öncelikle ortalama denklemi oluşturulan modellerin ARCH-GARCH modellerine uygunluğu sınanmış ve incelenen dönemde Bitcoin ve Ethereum için ARCH etkisinin olmadığı ancak Binance, Cardano, Ripple ve Tether için volatilite modellerinin kullanımının uygun olduğu bulgusu elde edilmiştir. Binance için GARCH (1,1), Cardano için GARCH-M (1,1), Ripple için ARCH (2) modeli volatiliteyi en iyi yakalayan model olarak seçilmiştir. Twitter Bazlı Belirsizlik Endeksinin bu modellerin hepsinde istatistiki olarak anlamlı ve pozitif bir etkiye sahip olduğu tespit edilmiştir. Bu sonuçlara göre bir sosyal medya platformu olan Twitter’da yer alan belirsizlik ve ekonomi içerikli tweetlerin kripto varlıkların volatilitesini etkilediğini söylemek mümkündür.

Abstract

This study examines the effect of the Twitter-Based Uncertainty Index which has created according to tweets containing the keywords "uncertainty" and "economy" since 2011 on the volatility of cryptocurrencies which is one of the most popular investment tools of recent years. Binance, Bitcoin, Cardano, Ethereum, Ripple and Tether assets which are have high market value are examined with ARCH-GARCH family models with daily data for the period 18/01/2018-11/07/2021. According to the results of the study, while the ARCH effect cannot be determined for Bitcoin and Ethereum for the period examined, it is found that the use of volatility models is appropriate for Binance, Cardano, Ripple and Tether. GARCH (1.1) for Binance, GARCH-M (1.1) for Cardano, ARCH (2) for Ripple is chosen as the most suitable model. It is determined that the Twitter-Based Uncertainty Index has a significant and positive effect in all of these models. According to these results, it is possible to say that uncertainty and economic tweets affect the volatility of crypto assets.

🔖

Bu Makaleye Atıf Yap

Gazel, S. (2021). Twitter Bazlı Belirsizlik Endeksi Kripto Paraların Volatilitesini Etkiler mi?. Ekonomi Politika ve Finans Araştırmaları Dergisi, Cilt: 6 Sayı: IERFM Özel Sayısı Özel Sayı, 207–224. https://doi.org/10.30784/epfad.1024421

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (28)

  1. Almansour, B. Y., Alshater, M. M. and Almansour, A. Y. (2021). Performance of ARCH and GARCH models in forecasting cryptocurrency market volatility. Industrial Engineering & Management Systems, 20(2), 130-139. https://doi.org/10.7232/iems.2021.20.2.130
  2. Baker, S. B., Bloom, N., Davis, S. J. and Renault, T. (2020). Twitter-derived measures of economic uncertainty (Working Paper). Retrieved from http://policyuncertainty.com/media/Twitter_Uncertainty_5_13_2021.pdf
  3. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
  4. Bouoiyour, J. and Selmi, R. (2015). What does Bitcoin look like? Annals of Economics and Finance, 16(2), 449-492. doi:10.1142/S2010495215500025
  5. Burniske, C. and Tatar, J. (2018). Cryptoassets: The innovative investor’s guide to Bitcoin and beyond. New York: Mc Graw Hill Education.
  6. Çarkacıoğlu, A. (2016). Kripto-para Bitcoin, (SPK Araştırma Raporu). Erişim adresi: https://www.spk.gov.tr/siteapps/yayin/yayingoster/1130
  7. Catania, L., Grassi, S. and Ravazzolo, F. (2018). Predicting the volatility of cryptocurrency time-series. In M. Corazza, M. Durban, A. Grane, C. Perna and M. Sibillo (Eds.), Mathematical and statistical methods (pp. 203-207). New York: Springer International Publishing.
  8. Cheikh, N. B., Zaied, Y. B. and Chevallier, J. (2020). Asymmetric volatility in cryptocurrency markets: New evidence from smooth transition GARCH models. Finance Research Letters, 35, 1-9. https://doi.org/10.1016/j.frl.2019.09.008
  9. Dyhrberg, A. H. (2016). Hedging capabilities of Bitcoin is it the virtual gold. Finance Research Letters, 16, 139-144. https://doi.org/10.1016/j.frl.2015.10.025.
  10. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773
  11. Ertuğrul, M. (2019). Kripto paraların volatilite dinamiklerinin incelenmesi: GARCH modelleri üzerine bir uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 17(4), 59-71. https://doi.org/10.11611/yead.555713
  12. Financial Action Task Force. (2014). Virtual currencies: Key definitions and potential AML / CFT risks. Retrieved from https://www.fatf-gafi.org/media/fatf/documents/reports/virtual-currency-key-definitions-and-potential-aml-cft-risks.pdf
  13. Global Bitcoin node dağılımı. (2021). Global Bitcoin node dağılımı. Erişim adresi: https://bitnodes.io/
  14. Kahraman, İ. K., Küçükşahin, H. ve Çağlak, E. (2019). Kripto para birimlerinin volatilite yapısı: GARCH modelleri karşılaştırması. Fiscaoeconomia, 3(2), 21-45. doi:10.25295/fsecon.2019.02.002
  15. Katsiampa, P. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. Economics Letters, 158, 3-6. https://doi.org/10.1016/j.econlet.2017.06.023
  16. Kayral, İ. K. (2020). En yüksek piyasa değerine sahip üç kripto paranın volatilitelerinin tahmin edilmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 12(22), 152-168. doi:10.14784/marufacd.688447
  17. Koy, A., Yaman, M. ve Mete, S. (2021). Kripto paraların volatilite modelinde ABD borsa endekslerinin yeri: Bitcoin üzerine bir uygulama. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(24), 159-170. https://doi.org/10.14784/marufacd.880672
  18. Kripto para piyasa değerleri. (2021). Kripto para piyasa değerleri. Erişim adresi: https://coinmarketcap.com/
  19. Kumar, A. S. and Anandarao, S. (2019). Volatility spillover in crypto-currency markets: Some evidences from GARCH and wavelet analysis. Physica A: Statistical Mechanics and its Applications, 524, 448-458. https://doi.org/10.1016/j.physa.2019.04.154
  20. Mandelbrot, B. (1963). The variation of certain speculative prices. The Journal of Business, 36(4), 394-419. Retrieved from http://www.jstor.org/
  21. Organisation for Economic Co-operation and Development. (2019). Cryptoassets in Asia: Consumer attitudes, behaviours and experiences. Retrieved from https://www.oecd.org/finance/2019-cryptoassets-in-asia.pdf
  22. Reza, S. (2021). Bitcoin, cryptocurrency and cryptoassets. Canada: Unica Communications.
  23. Şahin, E. E ve Özkan, O. (2018). Asimetrik volatilitenin tahmini: Kripto para Bitcoin uygulaması. Bilecik Şeyh Edibali Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3(2), 240-247. https://doi.org/10.33905/bseusbed.450018
  24. Smales, L. A. (2021). Volatility spillovers among cryptocurrencies. Journal of Risk and Financial Management, 14(10), 493-505. https://doi.org/10.3390/jrfm14100493
  25. Teker, T., Konuşkan, A., Ömürberk, V. ve Bekçi, İ. (2020). Bitcoin ve kripto paralar hakkında çıkan haberlerin Bitcoin fiyatları üzerine etkisi. Maliye ve Finans Yazıları, 113, 65-74. https://doi.org/10.33203/mfy.567989
  26. Thies, S. and Molnar, P. (2018). Bayesian change point analysis of Bitcoin returns. Finance Research Letters, 27, 223-227. http://dx.doi.org/10.2139/ssrn.3144623
  27. Twitter Bazlı Belirsizlik Endeksi (2021). Twitter bazlı belirsizlik endeksi. Erişim adresi: https://www.policyuncertainty.com/index.html
  28. Yen, K. C. and Cheng, H. P. (2021). Economic policy uncertainty and cryptocurrency volatility. Finance Research Letters, 38, 101428. https://doi.org/10.1016/j.frl.2020.101428