KaydedilenlerDerginizi ekleyin

Dergiler / Gazi İktisat ve İşletme Dergisi / 2024 / Cilt: 10 Sayı: 3

Riskten kaçınma düzeyinin piyasalar arası dinamik koşullu korelasyonlar üzerindeki etkisi: DCC-EGARCH ve kantil regresyon uygulaması

The impact of risk aversion on dynamic conditional correlations across markets: Application of DCC-EGARCH and quantile regression

Özge Dinç Cavlak(ANKARA HACI BAYRAM VELİ ÜNİVERSİTESİ, İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ)0000-0002-7728-983X
Ecenur Uğurlu Yıldırım(ANKARA SOSYAL BİLİMLER ÜNİVERSİTESİ)0000-0001-6465-4781
Sayfa
416–430
Yayın Tarihi
2024-10-30
🏛️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)

Araştırmanın bulguları, gelişmiş piyasalar ile ABD piyasaları arasındaki korelasyonların yüksek seviyelerde olduğunu; buna karşın, gelişmiş piyasalar ile gelişmekte olan piyasalar arasındaki korelasyonların düşük olduğunu göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Piyasa entegrasyonu, yatırımcıların stratejilerini ve karar alma süreçlerini önemli ölçüde etkileyen bir olgu olarak sıklıkla incelenmektedir.
📊
Temel Bulgular & Veri:Bu bağlamda yatırımcıların riskten kaçınma düzeyleri piyasalar arası ilişkiler üzerinde etkili rol oynamakta; beklenmedik şoklar ve panik, yatırımcı davranışını etkileyerek piyasaların birlikte hareket etmesine yol açabilmektedir.
💡
Sonuç & Katkı:Araştırmanın bulguları, gelişmiş piyasalar ile ABD piyasaları arasındaki korelasyonların yüksek seviyelerde olduğunu; buna karşın, gelişmiş piyasalar ile gelişmekte olan piyasalar arasındaki korelasyonların düşük olduğunu göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Piyasa Entegrasyonu · Riskten Kaçınma · DCC-EGARCH

Özet

Piyasa entegrasyonu, yatırımcıların stratejilerini ve karar alma süreçlerini önemli ölçüde etkileyen bir olgu olarak sıklıkla incelenmektedir. Bu bağlamda yatırımcıların riskten kaçınma düzeyleri piyasalar arası ilişkiler üzerinde etkili rol oynamakta; beklenmedik şoklar ve panik, yatırımcı davranışını etkileyerek piyasaların birlikte hareket etmesine yol açabilmektedir. Buradan hareketle mevcut çalışma, gelişmiş, gelişmekte olan ve ABD piyasaları arasındaki dinamik korelasyonları EGARCH ve DCC-EGARCH modelleri ile inceleyerek riskten kaçınmanın etkisini kantil regresyon yaklaşımıyla analiz etmektedir. Araştırmanın bulguları, gelişmiş piyasalar ile ABD piyasaları arasındaki korelasyonların yüksek seviyelerde olduğunu; buna karşın, gelişmiş piyasalar ile gelişmekte olan piyasalar arasındaki korelasyonların düşük olduğunu göstermiştir. Ayrıca, ABD ile gelişmekte olan piyasalar arasındaki zamana bağlı koşullu korelasyonların da oldukça düşük olduğu sonucuna varılmış, bu bulgunun portföy çeşitlendirmesi bağlamında değerlendirilebileceği ortaya konmuştur. Son olarak, riskten kaçınmanın üç farklı piyasa endeksi arasındaki dinamik korelasyonlar üzerindeki etkisi, kantil regresyon yöntemi kullanılarak incelenmiş; bulgular, kantil dilimleri arttıkça riskten kaçınma düzeyinin dinamik koşullu korelasyonlar üzerindeki etkisinin de yükseldiğini göstermektedir.

Abstract

Market integration is a frequently examined phenomenon that significantly influences investors' strategies and decision-making processes. In this context, investors' risk aversion plays a crucial role in the relationships across markets; unexpected shocks and panic can affect investor behavior, leading to market comovement. Based on this premise, this study examines the dynamic correlations between developed, emerging, and U.S. markets using EGARCH and DCC-EGARCH models, while analyzing the impact of risk aversion using a quantile regression approach. The findings reveal that while correlations between developed and U.S. markets exhibit high volatility, the correlations between developed and emerging markets are low. Additionally, the study finds that the time-varying conditional correlations between the U.S. and emerging markets are also quite low, suggesting potential benefits for portfolio diversification. Finally, the impact of risk aversion on the dynamic correlations between the three different market indices is examined using the quantile regression method; with results indicating that as quantile levels increase, the effect of risk aversion on dynamic conditional correlations also increases.

🔖

Bu Makaleye Atıf Yap

Cavlak, Ö. D., Yıldırım, E. U. (2024). Riskten kaçınma düzeyinin piyasalar arası dinamik koşullu korelasyonlar üzerindeki etkisi: DCC-EGARCH ve kantil regresyon uygulaması. Gazi İktisat ve İşletme Dergisi, Cilt: 10 Sayı: 3, 416–430. https://doi.org/10.30855/gjeb.2024.10.3.007

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (56)

  1. Adekoya, O. B., Oliyide, J. A. ve Oduyemi, G. O. (2021). How COVID-19 upturns the hedging potentials of gold against oil and stock markets risks: nonlinear evidences through threshold regression and markov-regime switching models. Resources Policy, 70, 101926. Doi: 10.1016/j.resourpol.2020.101926
  2. Adrian, T. ve Shin, H. S. (2013). Procyclical leverage and value-at-risk. The Review of Financial Studies 27(2), 373-403. Doi: https://doi.org/10.1093/rfs/hht068
  3. Barro, R. J., Ursúa, J. F. ve Weng, J. (2020). The Coronavirus and the Great Influenza Pandemic: Lessons From the “Spanish Flu” for the Coronavirus’s Potential Effects on Mortality and Economic Activity. NBER Working Paper, WP. Doi: https://doi.org/10.3386/w26866. No. 26866.
  4. Bai, L., Wei, Y., Wei, G., Li, X. ve Zhang, S. (2020). Infectious disease pandemic and permanent volatility of international stock markets: A long-term perspective. Financial Research Letters, 40, 101709. Doi: https://doi.org/10.1016/j.frl.2020.101709
  5. Baker, M. ve Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. The Journal of Finance, 61, 1645-1680. Doi: https://doi.org/10.1111/j.1540-6261.2006.00885.x
  6. Bakshi, G. ve Wu, L. (2010). The behavior of risk and market prices of risk over the Nasdaq bubble period. Management Science, 56, 2251-2264. Doi: 10.1287/mnsc.1100.1256
  7. Bekaert, G., Engstrom, E. ve Xing, Y. (2009). Risk, uncertainty, and asset prices. Journal of Financial Economics, 91, 59-82. Doi:10.1016/j.jfineco.2008.01.005
  8. Bekaert, G., Engstrom, E. C. ve Xu, N. R. (2019). The Time Variation in Risk Appetite and Uncertainty. NBER Working Paper No. w25673, Available at SSRN: https://ssrn.com/abstract=3359430
  9. Bekaert, G., Hoerova, M. ve Duca, M. L. (2013). Risk, uncertainty and monetary policy. Journal of Monetary Economics, 60(7), 771-788. Doi: 10.1016/j.jmoneco.2013.06.003
  10. Bernoth, K. ve Erdogan, B. (2012). Sovereign bond yield spreads: A time-varying coefficient approach. Journal of International Money and Finance, 31, 639-656. Doi: https://doi.org/10.1016/j.jimonfin.2011.10.006
  11. Bıyıklı, S. İ. (2022). COVID-19 pandemisinin seçili dünya borsaları üzerindeki etkisi. Finansal Araştırmalar ve Çalışmalar Dergisi, 14(27), 309-323. Doi: 10.14784/marufacd.1148493
  12. Campbell, R., Koedijk, K. ve Kofman, P. (2002). Increased correlation in bear markets. Financial Analysts Journal, 58, 87-94. Doi: https://doi.org/10.2469/faj.v58.n1.2512
  13. Cappiello, L., Engle, R. F. ve Sheppard, K. (2006). Asymmetric dynamics in the correlations of global equity and bond returns. Journal of Financial Econometrics, 4(4), 537-572. Doi: https://doi.org/10.1093/jjfinec/nbl005
  14. Chen, Y., Li, W. ve Jin, X. (2018). Volatility spillovers between crude oil prices and new energy stock price in China. Romanian Journal of Economic Forecasting, 21(2), 43-62.
  15. Cheng, F. Yang, S. ve Zhou K. (2020). Quantile partial adjustment model with application to predicting energy demand in China. Energy, 191, 116519. Doi: 10.1016/j.energy.2019.116519
  16. Çamurlu, S. ve Erilli, N. (2019). Kantil regresyon analizinde bootstrap tahmini. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 35(2), 16-25.
  17. Dai, Z. ve Chang, X. (2021). Forecasting stock market volatility: Can the risk aversion measure exert an important role? North American Journal of Economics and Finance, 58, 101510. Doi: 10.1016/j.najef.2021.101510
  18. Degirmenci, N. ve Abdioglu, Z. (2017). Volatility spillover between financial markets. Dumlupınar University Journal of Social Sciences, 54, 104-125. Doi: 10.1108/S1569-375920190000101003
  19. Demirer, R. ve Jategaonkar, S. (2020). Time-varying risk aversion and the profitability of momentum trades. Applied Finance Letters, 9, 43-54. Doi: 10.24135/afl.v9i0.193
  20. Demirer, R., Omay, T., Yuksel, A. ve Yuksel, A. (2018). Global Risk Aversion and Emerging Market Return Comovements. Economics Letters, 173, 118-121. Doi: 10.1016/j.econlet.2018.09.027
  21. Dickey, D. A. ve Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: journal of the Econometric Society, 1057-1072. Doi: https://doi.org/10.2307/1912517
  22. Dimitriou, D., Kenourgios, D. ve Simos, T. (2013). Global Financial Crises and Emerging Stock Market Contagion: A Multivariate FIAPARCH-DCC Approach. International Review of Financial Analysis, 30, 46-56. Doi: https://doi.org/10.1016/j.irfa.2013.05.008
  23. Dinç-Cavlak, Ö. (2024). Sürdürülebilir hisse senedi endekslerinin DCC-GARCH modeli ile incelenmesi ve petrol fiyatlarının bu ilişkiye etkisi. KOCATEPEİİBFD, 26(1), 48-58. Doi: https://doi.org/10.33707/10.33707/akuiibfd.1335551
  24. Do, A., Powell, R., Yong, J. ve Singh, A. (2020). Time-varying asymmetric volatility spillover between global markets and China’s A, B and H-shares using EGARCH and DCC-EGARCH models. The North American Journal of Economics and Finance, 54, 101096. Doi: https://doi.org/10.1016/j.najef.2019.101096
  25. Engle, R. (2001). GARCH 101: The use of ARCH/GARCH models in applied econometrics. Journal of Economic Perspectives, 15(4), 157-168. Doi: 10.1257/jep.15.4.157
  26. Engle, R. (2002). Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business & Economic Statistics, 20(3), 339-350. Doi: 10.1198/073500102288618487
  27. Fassas, A. P. (2020). Risk aversion connectedness in developed and emerging equity markets before and after the COVID-19 pandemic. Heliyon, 6(12). Doi: https://doi.org/10.1016/j.heliyon.2020.e05715
  28. Forbes, K. ve Rigobon, R. (2002). No Contagion, Only Interdependence: Measuring Stock Market Co-movements. The Journal of Finance, 57, 2223-2261. Doi: DOI: 10.1111/0022-1082.00494
  29. Hao, L. ve Naiman, D. Q. (2007). Quantile Regression (No. 149). Thousand Oaks: SAGE Publications, Inc.
  30. He, Z. ve Krishnamurthy, A. (2013). Intermediary asset pricing. American Economic Review, 103, 73270. Doi: 10.1257/aer.103.2.732
  31. Jebran, K., Chen, S., Ullah, I. ve Mirza, S.S. (2017). Does volatility spillover among stock markets varies from normal to turbulent period? Evidence from emerging markets of Asia. The Journal of Finance and Data Science, 3, 20-30. Doi: https://doi.org/10.1016/j.jfds.2017.06.001
  32. Ji, X., Wang, S., Xiao, H., Bu, N. ve Lin, X. (2022). Contagion Effect of Financial Markets in Crisis: An Analysis Based on the DCC-MGARCH Model. Mathematics,10,1819. Doi: https://doi.org/10.3390/math10111819
  33. Kayral, İ. E. ve Tandoğan, N. Ş. (2020). BİST100, döviz kurları ve altının getiri ve volatilitesinde COVID-19 etkisi. Gaziantep University Journal of Social Sciences, Special Issue: 687-701. Doi: https://doi.org/10.21547/jss.786384
  34. Kearney, C. ve Lucey, B. M. (2004). International equity market integration: Theory, evidence and implications. International Review of Financial Analysis, 13(5), 571-583. Doi: https://doi.org/10.1016/j.irfa.2004.02.013
  35. Kocaarslan, B., Sari, R., Gormus, A. ve Soytas, U. (2017). Dynamic correlations between BRIC and US stock markets: The asymmetric impact of volatility expectations in oil, gold and financial markets. Journal of Commodity Markets, 7, 41-56. Doi: https://doi.org/10.1016/j.jcomm.2017.08.001
  36. Koenker, R. W. ve D'Orey, V. (1987). Algorithm AS 229: Computing regression quantiles. Applied statistics, 36(3), 383-393. Doi:10.2307/2347802
  37. Koenker, R. ve Bassett Jr, G. (1978). Regression quantiles. Econometrica: journal of the Econometric Society, 33-50. Doi: https://doi.org/10.2307/1913643
  38. Koenker, R. ve Hallock, K. F. (2001). Quantile regression. Journal of economic perspectives, 15(4), 143-156. Doi: 10.1257/jep.15.4.143
  39. Koutmos, G. (2012). Modeling interest rate volatility: an extended EGARCH approach. Managerial Finance, 38(6), 628-635. Doi: 10.1108/03074351211226265
  40. Lemmon, M. ve Portniaguina, E. (2006). Consumer confidence and asset prices: Some empirical evidence. The Review of Financial Studies, 19, 1499-1529. Doi: 10.2139/ssrn.335240
  41. Longin, F. ve Solnik, B. (2001). Extreme Correlation of International Equity Market. The Journal of Finance, 56, 649-676. Doi: https://doi.org/10.1111/0022-1082.00340
  42. Mensi, W., Hammoudeh, S., Nguyen, D. K. ve Hoon, S. (2016). Global Financial Crisis and Spillover Effects among the U.S. and BRICS Stock Markets. International Review of Economics and Finance, 42, 257-276. Doi: 10.1016/j.iref.2015.11.005
  43. Miranda-Agrippino, S. ve Rey, H. (2015). World asset markets and the global financial cycle. CEPR Discussion Paper No. DP10936, Available at SSRN: https://ssrn.com/abstract=2691541.
  44. Morales, L. ve Andreosso-O’Callaghan, B. (2012). The current global financial crisis: Do Asian stock markets show contagion or interdependence effects? Journal of Asian Economics, 23, 616-626. Doi: https://doi.org/10.1016/j.asieco.2012.09.002
  45. Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the econometric society, 347-370. Doi: https://doi.org/10.2307/2938260
  46. Nitoi, M. ve Pochea, M. M. (2019). What drives European Union stock market co-movements? Journal of International Money and Finance, 97, 57-69. Doi: 10.1016/j.jimonfin.2019.06.004
  47. Pan, J. (2002). The jump-risk premia implicit in options: Evidence from an integrated time-series study. Journal of financial economics, 63, 3-50. Doi: https://doi.org/10.1016/S0304-405X(01)00088-5
  48. Phillips, P. C. ve Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346. Doi: https://doi.org/10.2307/2336182
  49. Rey, H. (2018). Dilemma not Trilemma: The Global Financial Cycle and Monetary Policy Independence. NBER Working Paper: 21162.
  50. Syllignakis, M. N. ve Kouretas, G.P. (2011). Dynamic correlation analysis of financial contagion: evidence from the Central and Eastern European markets. International Review of Economics and Finance, 20, 717-732. Doi: https://doi.org/10.1016/j.iref.2011.01.006
  51. Tareghian, R. ve Rasmussen, P. F. (2013). Statistical downscaling of precipitation using quantile regression. Journal of hydrology, 487, 122-135. Doi: https://doi.org/10.1016/j.jhydrol.2013.02.029
  52. Ugurlu-Yildirim, E. (2021). Covid-19 Pandemi ve 2008 Ekonomik Kriz Dönemlerinde Riskten Kaçınma Düzeyinin ABD ve BRIC Piyasa Entegrasyonu Üzerindeki Değişen Etkisi. Muhasebe ve Finansman Dergisi, 90, 185-208. Doi: https://doi.org/10.25095/mufad.866684
  53. Xu, N. R. (2019). Global risk aversion and international return comovements. Available at SSRN 3174176. Doi: 10.2139/ssrn.3174176
  54. Xu, B. ve Lin, B. (2018). What Cause Large Regional Differences in PM2.5 Pollutions in China? Evidence from Quantile Regression Model. Journal of Cleaner Production, 174, 447-461. Doi: https://doi.org/10.1016/j.jclepro.2017.11.008
  55. Xu, B. ve Lin, B. (2020). Investigating drivers of CO2 emission in China’s heavy industry: A quantile regression analysis. Energy, 206, 118159. Doi: 10.1016/j.energy.2020.118159
  56. Yıldırım, D. C., Esen, Ö. ve Ertuğrul, H. M. (2022). Impact of the COVID-19 pandemic on return and risk transmission between oil and precious metals: Evidence from DCC-GARCH model. Resources Policy, 79, 102939. Doi: 10.1016/j.resourpol.2022.102939