Dergiler / Öneri Dergisi / 2006 / Cilt: 7 Sayı: 26

FOREX PİYASALARINDA PARİTE RİSKİNİN FRAKSİYONEL BÜTÜNLEŞEN GARCH MODELLERİ İLE ANALİZİ

Hülya Sayyan(MARMARA ÜNİVERSİTESİ)
Sayfa
213–220
Yayın Tarihi
2006-06-15
DOI
—
🏛️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)

Bu çalışmada, 01.05.1981-14.11.2005 dönemi verilerinden yararlanılarak, GBP/USD getirilerinin volatilitesinin modellenmesi amacı ile “Fraksiyonel Bütünleşen GARCH” modelleri tahmin edilmiş ve getirilerin volatilitesinin bu modeller kullanılarak yapılan öngörülerinin oldukça başarılı olduğu sonucuna ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Forex ülkelerin para birimlerinin değişim piyasasıdır.
📊
Temel Bulgular & Veri:Finansal piyasalarda paritenin değerinde yaşanan değişiklikler sonucu varlıklar ve/veya yükümlülüklerde meydana gelebilecek değişimler “parite riski” olarak adlandırılmaktadır.
💡
Sonuç & Katkı:Bu çalışmada, 01.05.1981-14.11.2005 dönemi verilerinden yararlanılarak, GBP/USD getirilerinin volatilitesinin modellenmesi amacı ile “Fraksiyonel Bütünleşen GARCH” modelleri tahmin edilmiş ve getirilerin volatilitesinin bu modeller kullanılarak yapılan öngörülerinin oldukça başarılı olduğu sonucuna ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2005 Verileri
⚙️Değişkenler:Parite Riski · Fraksiyonel Bütünleşen · Volatilite

Özet

Forex ülkelerin para birimlerinin değişim piyasasıdır. Dünyada döviz parite fiyatları bu piyasada belirlenmektedir. Finansal piyasalarda paritenin değerinde yaşanan değişiklikler sonucu varlıklar ve/veya yükümlülüklerde meydana gelebilecek değişimler “parite riski” olarak adlandırılmaktadır. Dünyada piyasalar 24 saat hiç kapanmadan çalıştığı ve sürekli değişen ekonomik ve politik dengelerden etkilendiği için, döviz işlemi yapan yatırımcılar devamlı bir parite riski ile karşı karşıya kalmaktadır. Parite hareketlerinden kaynaklanabilecek zararlar, parite getirilerindeki değişmelerin başarılı bir şekilde öngörülmesi ile azaltılabilir. Parite getirilerinin zaman içinde değişen varyansı yani volatilitesi GARCH modelleri kullanılarak öngörülebilmektedir. Bu çalışmada, 01.05.1981-14.11.2005 dönemi verilerinden yararlanılarak, GBP/USD getirilerinin volatilitesinin modellenmesi amacı ile “Fraksiyonel Bütünleşen GARCH” modelleri tahmin edilmiş ve getirilerin volatilitesinin bu modeller kullanılarak yapılan öngörülerinin oldukça başarılı olduğu sonucuna ulaşılmıştır.

🔖

Bu Makaleye Atıf Yap

Sayyan, H. (2006). FOREX PİYASALARINDA PARİTE RİSKİNİN FRAKSİYONEL BÜTÜNLEŞEN GARCH MODELLERİ İLE ANALİZİ. Öneri Dergisi, Cilt: 7 Sayı: 26, 213–220. https://ajindex.com/articles/1099716

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Mandelbrot, B. (1963). The Variation of Certain Speculative Prices. Journal of Business, 36(4), 394-419.
  2. Engle, R.F. & Bollerslev, T. (1986). Modeling the Persistence of Conditional Variances. Econometric Reviews, 5(1), 1-50.
  3. Nelson, D.B. (1991). Conditional Heteroscedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347-370.
  4. Baillie R.T.; Bollerslev, T. & Mikkelsen, H.O. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics, 74(1), 3-30.
  5. Tse, Y.K. (1998). The Conditional Heteroscedasticity of the Yen-Dollar Exchange Rate. Journal of Applied Econometrics, 193,49-55.
  6. Hwang, Y. (2001). Asymmetric Long Memory GARCH in Exchange Return. Economics Letters, 73(1), 1-5.
  7. Vilasuso, J. (2002). Forecasting Exchange Rate Volatility. Economics Letters, 76(1), 59-64.
  8. Davidson, J. (2004). Moment and Memory Properties of Linear Conditional Heteroscedasticity Models and a New Model. Journal of Business and Economic Statistics, 22(1), 16-29.
  9. Conrad, C.; Jiang, F. & Karanasos, M. (2004). Modeling and Predicting Exchange Rate Volatility via Power ARCH Models: The Role of Long Memory. Unpublished manuscript.
  10. Granger, C.W.J. & Joyeux, R. (1980). An Introduction to Long-Memory Time Series Models and Fractional Differencing. Journal of Time Series Analysis, 1(1), 15-29.
  11. Hosking, J.R.M. (1981). Fractional Differencing. Biometrica, 68(1), 165-176.
  12. Bollerslev T. & Mikkelsen, H.O. (1996). Modeling and Pricing Long-Memory in Stock Market Volatility. Journal of Econometrics, 73(1), 151-184.
  13. Engle, R.F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007.
  14. Tse, Y.K. (2002). Residual-based Diagnostics for Conditional Heteroscedasticity Models. Econometrics Journal, 5(2), 358-373.
  15. Nyblom, J. (1989). Testing the Constancy of Parameters Över Time. Journal of the American Statistical Association, 84, 223-230.
  16. Ding, Z.; Granger, C.W.J. & Engle, R.F. (1993). A Long Memory Property of Stock Market Returns and a New Model. Journal of Empirical Finance, 1(1), 83-106.
  17. Jarque, C.M. & Bera, A.K. (1987). A Test for Normality of Observations and Regression Residuals. International Statistical Review, 55(2), 163-172.
  18. Bollerslev T. (1986). Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics, 31(3), 307-327.
  19. Bollerslev T. & Wooldridge, J.M. (1992). Quasi-Maximum Likelihood Estimation and Inference in Dynamic Models with Time-varying Covariances. Econometric Reviews, 11(2), 143-172.