KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi / 2026 / Sayı: 50

BORSA İSTANBUL 100 ENDEKSİ İÇİN DİNAMİK RİSKE MARUZ DEĞER VE BEKLENEN KAYIP ANALİZİ

ANALYSIS OF DYNAMIC VALUE-AT-RISK AND EXPECTED SHORTFALL FOR BIST 100 INDEX

Haluk Yener(İstanbul Bilgi Üniversitesi)0000-0003-2654-5810
Burak Alparslan Eroğlu(İSTANBUL BİLGİ ÜNİVERSİTESİ)0000-0001-6814-747X
Sayfa
71–86
Yayın Tarihi
2022-04-20
🏛️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)

Çalışmanın temel bulguları, 1) Yapılan örneklem dışı analizde genelleştirilmiş özyenilemeli skor tabanlı yöntemlerin daha verimli olduğu ve 2) Risk ölçütlerinin örneklem sonuna doğru dalgalanması azalırken seviyelerinin yavaş bir şekilde arttığı olgularıyla özetlenebilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, BIST 100 endeks getirileri için, önemli finansal risk ölçütlerinden dinamik riske maruz değer ve beklenen kayıp tahmini ve öngörüsü yapılmıştır.
📊
Temel Bulgular & Veri:Ayrıca, farklı frekanslarda hesaplanan getiri serileri kullanılarak, farklı frekanslarda risk ölçütleri Nisan 2016 ve Şubat 2019 tarihleri arası için elde edilmiştir.
💡
Sonuç & Katkı:Çalışmanın temel bulguları, 1) Yapılan örneklem dışı analizde genelleştirilmiş özyenilemeli skor tabanlı yöntemlerin daha verimli olduğu ve 2) Risk ölçütlerinin örneklem sonuna doğru dalgalanması azalırken seviyelerinin yavaş bir şekilde arttığı olgularıyla özetlenebilir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:2016 Verileri
⚙️Değişkenler:Riske maruz değer · Beklenen kayıp · GARCH modeli

Özet

Bu çalışmada, BIST 100 endeks getirileri için, önemli finansal risk ölçütlerinden dinamik riske maruz değer ve beklenen kayıp tahmini ve öngörüsü yapılmıştır. Öngörü modeli olarak genelleştirilmiş özyenilemeli skor, ARMA-GARCH ve yuvarlanan pencere tabanlı tahmin modelleri kullanılmıştır. Ayrıca, farklı frekanslarda hesaplanan getiri serileri kullanılarak, farklı frekanslarda risk ölçütleri Nisan 2016 ve Şubat 2019 tarihleri arası için elde edilmiştir. Çalışmanın temel bulguları, 1) Yapılan örneklem dışı analizde genelleştirilmiş özyenilemeli skor tabanlı yöntemlerin daha verimli olduğu ve 2) Risk ölçütlerinin örneklem sonuna doğru dalgalanması azalırken seviyelerinin yavaş bir şekilde arttığı olgularıyla özetlenebilir.

Abstract

In this study, the dynamic Value-at-Risk and Expected shortfall, which are the fundamental financial risk measures, are estimated and forecasted. As the forecasting model, the generalized autoregressive score, ARMA-GARCH, and rolling window-based forecasting models are used. Besides, risk criteria at different frequencies are obtained between April 2016 and February 2019 by using the return series calculated at different frequencies. The main findings of the study can be summarized as, 1) In the out-of-sample analysis, the generalized autoregressive score-based methods exhibit better forecasting performance, and 2) while the fluctuation of risk criteria lowers, their levels gradually increase towards the end of the sample.

🔖

Bu Makaleye Atıf Yap

Yener, H., Eroğlu, B. A. (2022). BORSA İSTANBUL 100 ENDEKSİ İÇİN DİNAMİK RİSKE MARUZ DEĞER VE BEKLENEN KAYIP ANALİZİ. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Sayı: 50, 71–86. https://doi.org/10.30794/pausbed.992526

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (21)

  1. Alfonsi, A., & Schied, A. (2010). Optimal trade execution and absence of price manipulations in limit order book models. SIAM Journal on Financial Mathematics, 1(1), 490-522.
  2. Ardia, D., Bluteau, K., Boudt, K., & Catania, L. (2018). Forecasting risk with Markov-switching GARCH models: A large-scale performance study. International Journal of Forecasting, 34(4), 733-747.
  3. Basel Committee on Banking Supervision (2010). Basel III: A Global Regulatory Framework for More Resilient Banks and Banking Systems, Bank for International Settlements. http://www.bis.org/publ/bcbs189.pdf
  4. Bayraktar, E., & Ludkovski, M. (2014). Liquidation in limit order books with controlled intensity. Mathematical Finance, 24(4), 627-650.
  5. Bekaert, G., & Harvey, C. R. (1997). Emerging equity market volatility. Journal of Financial Economics, 43(1), 29-77.
  6. Bu, D., Liao, Y., Shi, J., & Peng, H. (2019). Dynamic expected shortfall: A spectral decomposition of tail risk across time horizons. Journal of Economic Dynamics and Control, 108, 103753.
  7. Creal, D.D., S.J. Koopman, and A. Lucas, 2013, Generalized Autoregressive Score Models with Applications, Journal of Applied Econometrics, 28(5), 777-795.
  8. Davis, M. H. (2016). Verification of internal risk measure estimates. Statistics & Risk Modeling, 33(3-4), 67-93.
  9. Demireli, E., & Taner, B. (2009). Risk yönetiminde riske maruz değer yöntemleri ve bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(3), 127-148.
  10. Deng, K., & Qiu, J. (2021). Backtesting expected shortfall and beyond. Quantitative Finance, 21(7), 1109-1125.
  11. Diebold, F.X. and R.S. Mariano, 1995. Comparing predictive accuracy, Journal of Business & Economic Statistics,13(3), 253–263.
  12. Engle, R.F. and S. Manganelli, 2004, CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles, Journal of Business & Economic Statistics, 22, 367-381
  13. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417.
  14. Fissler, T., and J. F. Ziegel, 2016, Higher order elicitability and Osband’s principle, Annals of Statistics, 44(4), 1680-1707.
  15. Hansen, B.E., (1994). Autoregressive Conditional Density Estimation, International Economic Review, 35(3), 705-730.
  16. Koenker, R.W. (2005) Quantile Regression. Cambridge, UK: Cambridge University Press.
  17. Mandelbrot, B. (1963). The variation of certain speculative prices. The Journal of Business, 45(4), 542-543.
  18. Patton, A. J., Ziegel, J. F., & Chen, R. (2019). Dynamic semiparametric models for expected shortfall (and value-at-risk). Journal of Econometrics, 211(2), 388-413.
  19. Rappoport, P. (1993). A new approach: Average Shortfall. JP Morgan Fixed Income Research Technical Document.
  20. Lazar, E., & Xue, X. (2020). Forecasting risk measures using intraday data in a generalized autoregressive score framework. International Journal of Forecasting, 36(3), 1057-1072.
  21. Yamai, Y., & Yoshiba, T. (2005). Value-at-risk versus expected shortfall: A practical perspective. Journal of Banking & Finance, 29(4), 997-1015.