KaydedilenlerDerginizi ekleyin

Dergiler / TİSK Akademi / 2016 / Cilt: 11 - Sayı: 21

Piyasa Riskinin Ölçülmesi: Enerji Piyasası Üzerine Bir Uygulama

Measuring Market Risk: Evidence from Energy Market

SAMET EVCİ
SERKAN YILMAZ KANDIR
Sayfa
108–135
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)

Analiz sonuçları, brent petrol serilerinde %99 ve %95 güven düzeyinde sırasıyla normal ve student-t dağılımının, WTI petrol ve doğal gaz serilerinde ise her üç dağılımın da doğru VaR öngörülerde bulunduğunu göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı enerji piyasasında öngörülecek riske maruz değerler (VaR değerleri) için uygun dağılımın belirlenmesidir.
📊
Temel Bulgular & Veri:Bu amaçla çalışmada Ocak 2003-Kasım 2013 dönemlerine ait Brent petrol, WTI petrol ve doğal gaza ilişkin günlük getiri serileri kullanılmıştır.
💡
Sonuç & Katkı:Analiz sonuçları, brent petrol serilerinde %99 ve %95 güven düzeyinde sırasıyla normal ve student-t dağılımının, WTI petrol ve doğal gaz serilerinde ise her üç dağılımın da doğru VaR öngörülerde bulunduğunu göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2003 Verileri
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmanın amacı enerji piyasasında öngörülecek riske maruz değerler (VaR değerleri) için uygun dağılımın belirlenmesidir. Bu amaçla çalışmada Ocak 2003-Kasım 2013 dönemlerine ait Brent petrol, WTI petrol ve doğal gaza ilişkin günlük getiri serileri kullanılmıştır. VaR değerleri; normal, student-t ve GED dağılımına dayanan simetrik ve asimetrik GARCH modelli Varyans-Kovaryans yöntemi ile hesaplanmıştır. Analiz sonuçları, brent petrol serilerinde %99 ve %95 güven düzeyinde sırasıyla normal ve student-t dağılımının, WTI petrol ve doğal gaz serilerinde ise her üç dağılımın da doğru VaR öngörülerde bulunduğunu göstermiştir.

Abstract

The aim of this study is to determine an appropriate distribution for VaR in the energy market. Daily return data of Brent oil, WTI oil and natural gas are used for the period January 2003-November 2013. VaR is calculated by the Variance-Covariance method with the symmetric and asymmetric GARCH models based on normal, student-t and GED distributions. Analysis results suggest that at 99% and 95% confidence levels, the models based on normal and student-t distributions have more accurate predictions of VaR for Brent oil, while models based on each of the three distributions for WTI and natural gas have accurate predictions.

🔖

Bu Makaleye Atıf Yap

EVCİ, S., KANDIR, S. Y. (2016). Piyasa Riskinin Ölçülmesi: Enerji Piyasası Üzerine Bir Uygulama. TİSK Akademi, Cilt: 11 - Sayı: 21, 108–135. https://ajindex.com/articles/366624

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Ahmed Elsheikh M., A. ve Suliman, S. (2011). Modeling Stock Market Volatility Using Garch Models Evidence From Sudan. International Journal of Business and Social Science. 2 (23), 114-128.
  2. Akan, B., Oktay, A. ve Tüzün, Y. (2003). Parametrik Riske Maruz Değer Yöntemi ve Türkiye Uygulaması. Bankacılar Dergisi. 14(45), 29-40.
  3. Aksoy, G. ve Olgun, O. (2009). Optimal Hedge Oranı Tahminlemesi Üzerine Amprik Bir Çalış- ma: VOB Örmeği. İktisat, işletme ve Finans Dergisi. 24(274), 33-53.
  4. Alexander, C. (2008). Market Risk Analysis Volume II: Practical Financial Econometrics. England: John Wiley & Sons. Altay, E. (2009). Petrol Fiyatlarından Kaynaklanan Riskin Tahmin Edilmesi: Monte Carlo Simülasyonu Yöntemiyle RMD Yaklaşımı. İktisat Fakültesi Mecmuası. 59(2), 61-84.
  5. Asteriou, D. ve Hall, S. (2007). Applied Econometrics. 1st ed. NewYork: Palgrave Macmillan. Bacon, C. R. (2012). Practical Risk-Adjusted Performance Measurement. United Kingdom: John Wiley & Sons. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics. 31, 307-327.
  6. Bollerslev, T. (1987). A Conditional Heteroskedastic Time Series Model for Security Prices and Rates of Return Data. Review of Economics and Statistics. 69(3), 542-547.
  7. Brooks, C. ve Persand, G. (2002). Model Choice and Value-At-Risk Performance. Financial Analysts Journal. 58 (5), 87-97.
  8. Cabedo, J.D. ve Moya, I. (2003). Estimating Oil Price Value at Risk Using The Historical Simulation Approach. Energy Economics. 25, 527-539.
  9. Cheng, W. H.ve Hung, J. C. (2011). Skewness and Leptokurtosis in GARCH-typed VaR Estimation of Petroleum and Metal Asset Returns. Journal of Empirical Finance. 18, 160-173.
  10. Chiu, C.L., Lee, M.C. ve Hung, J.C. (2005). Estimation of Value-at-Risk under Jump Dynamics and Asymmetric Information. Applied Financial Economics. 15, 1095-1106.
  11. Christoffersen, P.F. (1998). Evaluating Interval Forecasts. International Economic Review. 39, 841-862.
  12. Culp, C. L., Mensink, R. ve Neves, A. M. (1998). Value at Risk for Asset. Derivatives Quarterly. 5(2), 21-33.
  13. Enders, W. (2009). Applied Econometric Times Series. 3rd ed. New Jersey: John Wiley & Sons. Engle, R.F., Lilien, D.M. ve Robins, R.P. (1987). Estimating Time Varying Risk Premia in the Term Structure: The Arch-M Model. Econometrica. 55(2), 391-407.
  14. Fan, Y., Zhang, Y. J., Tsai, H. T. ve Wei, Y. M. (2008). Estimating Value at Risk of Crude Oil Price and its Spillover Effect Using The Ged-Garch Approach. Energy Economics. 30, 3156-31