Dergiler / Ekonomi Politika ve Finans Araştırmaları Dergisi / 2021 / Cilt: 6 - Sayı: 1

MS-GARCH Yaklaşımıyla Menkul Kıymet Piyasalarında Volatilite Tahmini: Borsa İstanbul Uygulaması

Forecasting of Volatility in Stock Exchange Markets by MS-GARCH Approach: An Application of Borsa Istanbul

Sayfa
16–35
Yayın Tarihi
2021-04-30
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)

Üçlü rejimli MS-GARCH modeli ile yapılan analiz sonucunda endeks için ele alınan rejim katsayılarının istatistiksel olarak anlamlı olduğu, endekste rejimlerin varlığı tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Menkul kıymet piyasalarında gözlemlenen volatiliteler, borsa paydaşlarının karar alma süreçlerini etkileyen önemli bir etkendir.
📊
Temel Bulgular & Veri:Bu çalışmada Borsa İstanbul’u temsil eden BIST100 endeksinde oluşan volatiliteler analiz edilmiştir.
💡
Sonuç & Katkı:Üçlü rejimli MS-GARCH modeli ile yapılan analiz sonucunda endeks için ele alınan rejim katsayılarının istatistiksel olarak anlamlı olduğu, endekste rejimlerin varlığı tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2018 Verileri
⚙️Değişkenler:Oynaklık · Finansal Risk · Markov Değişim

Özet

Menkul kıymet piyasalarında gözlemlenen volatiliteler, borsa paydaşlarının karar alma süreçlerini etkileyen önemli bir etkendir. Bu çalışmada Borsa İstanbul’u temsil eden BIST100 endeksinde oluşan volatiliteler analiz edilmiştir. Bu amaçla, çalışmada, 01.04.1993-20.04.2018 dönemi BIST100 endeksi kapanış verileri kullanılmıştır. BIST100 endeksi standart, yüksek ve düşük volatilite rejimleri olmak üzere üç rejime dönüştürülerek, Markov Rejim Değişim GARCH (MS-GARCH) ile analiz edilmiştir. Üçlü rejimli MS-GARCH modeli ile yapılan analiz sonucunda endeks için ele alınan rejim katsayılarının istatistiksel olarak anlamlı olduğu, endekste rejimlerin varlığı tespit edilmiştir. Rejim geçişleri olasılıkları incelendiğinde ise birer günlük süreçte standart oynaklık rejiminin sürme olasılığı 0,62, düşük volatilite rejimine geçiş olasılığı 0,23 ve yüksek volatilite rejimine geçiş olasılığının ise 0,145 olduğu belirlenmiştir. Ayrıca 5 ve 20 günlük süreçte rejim geçişlerinin olasılıklarının birbirine çok yakın olduğu tespit edilmiştir.

Abstract

The volatility observed in securities markets has an important influence on the decision making processes of stock market stakeholders. In this study, the volatilities in BIST100 index which represents Borsa Istanbul was analyzed. For this purpose, BIST100 index closing data for the period of 03.01.1988-20.04.2018 was used in the study. The BIST100 index was analyzed by Markov regime switching GARCH (MS-GARCH) with three regimes, standard, high and low volatility regimes. As a result of the triple regime MS-GARCH intensive analysis, the existence of endogenous regimens was determined, in which the regime coefficients considered for the index were statistically significant. When the possibilities of regime transitions are analyzed, it is determined that the probability of continuing the standard volatility regime is 0.62, the probability of transition to low volatility regime is 0.23 and the probability of transition to high volatility regime is 0.145. Moreover, it was determined that the possibilities of regime passage in 5 and 20 days are very close to each other.

🔖

Bu Makaleye Atıf Yap

KAYA, A., YARBAŞI, İ. Y. (2021). MS-GARCH Yaklaşımıyla Menkul Kıymet Piyasalarında Volatilite Tahmini: Borsa İstanbul Uygulaması. Ekonomi Politika ve Finans Araştırmaları Dergisi, Cilt: 6 - Sayı: 1, 16–35. https://ajindex.com/articles/141678

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Abounoori, E., Elmi, Z. M. and Nademi, Y. (2016). Forecasting Tehran stock exchange volatility; Markov switching GARCH approach. Physica A: Statistical Mechanics and its Applications, 445, 264-282. https://doi.org/10.1016/j.physa.2015.10.024
  2. Ardia, D. (2008). Financial risk management with Bayesian estimation of GARCH models (Vol. 18). Heidelberg: Springer. doi:10.1007/978-3-540-78657-3
  3. Ardia, D., Bluteau, K. and Rüede, M. (2019). Regime changes in Bitcoin GARCH volatility dynamics. Finance Research Letters, 29, 266-271. https://doi.org/10.1016/j.frl.2018.08.009
  4. Ardia, D., Bluteau, K., Boudt, K. and Catania, L. (2018). Forecasting risk with Markov-switching GARCH models: A large-scale performance study. International Journal of Forecasting, 34(4), 733-747. https://doi.org/10.1016/j.ijforecast.2018.05.004
  5. Ardia, D., Bluteau, K., Boudt, K., Catania, L. and Trottier, D. A. (2019). Markov-switching GARCH models in R: The MSGARCH package. Journal of Statistical Software, 91(4). doi:10.18637/jss.v091.i04 Atakan, T. (2009). İstanbul Menkul Kıymetler Borsasında değişkenliğin (volatilitenin) ARCH-GARCH yöntemleri ile modellenmesi. Yönetim Dergisi, 62, 48-61. Retrieved from https://app.trdizin.gov.tr/
  6. Augustyniak, M. (2014). Maximum likelihood estimation of the Markov-switching GARCH model. Computational Statistics & Data Analysis, 76, 61-75. https://doi.org/10.1016/j.csda.2013.01.026
  7. Bauwens, L., Dufays, A. and Rombouts, J. V. (2014). Marginal likelihood for Markov-switching and change-point GARCH models. Journal of Econometrics, 178, 508-522. https://doi.org/10.1016/j.jeconom.2013.08.017
  8. Bauwens, L., Preminger, A. and Rombouts, J. V. (2010). Theory and inference for a Markov switching GARCH model. The Econometrics Journal, 13(2), 218-244. doi:10.1111/j.1368-423X.2009.00307.x Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
  9. Bollerslev, T. (1987) A conditionally heteroskedastic time series model for speculative prices and rates of return. The Review of Economics and Statistics, 69(3), 542-547. https://doi.org/10.2307/1925546
  10. Broock, W. A., Scheinkman, J. A., Dechert, W. D. And LeBaron, B. (1996). A test for independence based on the correlation dimension. Econometric reviews, 15(3), 197-235. https://doi.org/10.1080/07474939608800353
  11. Cai, J. (1994). A Markov model of switching-regime ARCH. Journal of Business & Economic Statistics, 12(3), 309-316. Re