KaydedilenlerDerginizi ekleyin

Dergiler / Dokuz Eylül Üniversitesi İşletme Fakültesi Dergisi / 2007 / Cilt: 8 - Sayı: 2

Volatilite Modellerinin Öngörü Performansları: Arch,Garch ve Smarch Karşılaştırması

Forecasting Performance of Volatility Models: Comparison of Arch, Garch and Swarch

Cüneyt AKAR
Sayfa
201–217
Yayın Tarihi
2022-10-11
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)

Çalışma sonuçları SWARCH modellerinin ARCH ve GARCH modellerine göre daha az ısrarcılığa sahip olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada alternatif volatilite modellerinin öngörü performansları karşılaştırılmıştır.
📊
Temel Bulgular & Veri:İstanbul Menkul Kıymetler Borsası İMKB100 endeksi haftalık kapanış verileri kullanılarak getiri volatilitesi ARCH, GARCH ve SWARCH yöntemleriyle tahmin edilmiş ve bu tahminlere dayalı olarak öngörüler yapılmıştır.
💡
Sonuç & Katkı:Çalışma sonuçları SWARCH modellerinin ARCH ve GARCH modellerine göre daha az ısrarcılığa sahip olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada alternatif volatilite modellerinin öngörü performansları karşılaştırılmıştır. İstanbul Menkul Kıymetler Borsası İMKB100 endeksi haftalık kapanış verileri kullanılarak getiri volatilitesi ARCH, GARCH ve SWARCH yöntemleriyle tahmin edilmiş ve bu tahminlere dayalı olarak öngörüler yapılmıştır. Öngörü performansları gerçekleşen volatilite baz alınarak çeşitli hata istatistikleriyle değerlendirilmiştir. Çalışma sonuçları SWARCH modellerinin ARCH ve GARCH modellerine göre daha az ısrarcılığa sahip olduğunu göstermektedir. Elde edilen sonuçlar dinamik ve kayan pencere yaklaşımlarına göre yapılan öngörüler açısından SWARCH modellerinin daha iyi sonuçlar verdiğini ortaya koymaktadır.

Abstract

In this study, the volatiliy forecasting performances of alternative volatility models are compared. Istanbul Stock Exchange, ISE100 Index, weekly closing figures are utilized to estimate return volatility using ARCH, GARCH and SWARCH models. The volatility forecasts based on the estimated models are compared with realized volatility and forecasting performances are evaluated employing assorted error statistics. The results show that the SWARCH model has lower persistence than ARCH and GARCH models. The empirical results also indicate that the SWARCH model appears to outperform the competing ARCH and GARCH models in forecasting volatility.

🔖

Bu Makaleye Atıf Yap

AKAR, C. (2022). Volatilite Modellerinin Öngörü Performansları: Arch,Garch ve Smarch Karşılaştırması. Dokuz Eylül Üniversitesi İşletme Fakültesi Dergisi, Cilt: 8 - Sayı: 2, 201–217. https://ajindex.com/articles/490744

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Akgiray, V. (1989). Conditional Heteroskedasticity in Time Series of Stock Returns: Evidence and Forecasts. Journal of Business, 62 (1): 55-80.
  2. Akgün, İ., & Sayan, H. (2007). İMKB-30 Hisse Senedi Getirilerinde Volatilitenin Kısa ve Uzun Hafızalı Asimetrik Koşullu Değişen Varyans Modelleri ile Öngörüsü. [Forecasting Volatility in ISE-30 Stock Returns with Short and Long Memory Asymmetric Conditional Heteroskedasticity Models]. İşletme-Finans Dergisi, Ocak: 127-137.
  3. Andersen, T.G., Bollerslev, T. & Lange, S. (1999). Forecasting Financial Market Volatility: Sample Frequency vis-a-vis Forecast Horizon. Journal of Empirical Finance, 6: 457-477.
  4. Balaban, E. (1999). Forecasting Stock Market Volatility: Evidence from Turkey. The ISE Finance Award Series Volume: 1, International Conference in Economics at the Middle East Technical University in 1999.
  5. Balaban, E. (2004). Comparative Forecasting Performance of Symmetric and Asymmetric Conditional Volatility Models of an Exchange Rates. Economics Letters, 83: 99-105.
  6. Bautista, C.C. (2003). Stock Market Volatility in the Philippines. Applied Economics Letters, 10: 315-318.
  7. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics, 31: 307 -327. Chen, S.W. & Lin, L.J. (2000). Switching ARCH models of stock market volatility in Taiwan. Advances in Pacific Basin Business, Economics, and Finance, 4: 1-21.
  8. Day, T.E. & Lewis, C.M. (1992). Stock Market Volatility and the Infırmation Content of Stock Index Options. Journal of Econometrics, 52: 267-287.
  9. Degiannakis, S. (2004). Volatility forecasting: Evidence from a fractional integrated asymmetric power ARCH skewed-t Model. Applied Financial Economics, 14: 1333-1342.
  10. Engle, R.F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4): 987-1008.
  11. Erlandsson, U. (2000). Forecasting Swedish Interest Rate Volatility-A Regime Switching Approach. Master Thesis in Economics, Lund University, Lund Macroeconomic Studies, 2000: 5. Figlewski, S. (1997). ForecastingVolatility (monograph). Financial Markets, Institutions, and Instruments 6 (1), 1997.
  12. Fong, W.M. (1997). Volatility Persistence and Switching ARCH in Japanese Markets. Financial Engineering and the Japanese Markets, 4: 37-57.
  13. Forte, G. & Manera, M. (2002). Forecasting Volatility in European Stock Markets with Non-Linear GARCH Models. (November 2002).
  14. FEEM Working Paper, No. 98. Franses, P.H., & Van Dijk,