KaydedilenlerDerginizi ekleyin

Dergiler / Ege Akademik Bakış / 2011 / Cilt: 11 - Sayı: Özel

Analyzing the dual long memory in stock market returns

Borsa endeks getirilerinde ikili uzun hafıza analizi

Mert URAL
C. Coşkun KÜÇÜKÖZMEN
Sayfa
19–28
Yayın Tarihi
2022-10-12
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)

Ayrıca volatilitenin öngörülebilir yapı göstermesi nedeniyle tüm borsaların zayıf formda etkinsiz oldukları sonucuna varılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı, zayıf formda etkin piyasa hipotezi bağlamında birleşik ARFIMA-FIGARCH modeli ve yapısal kırılma testi kullanarak beş farklı borsa endeks getiri serisi için ikili uzun hafıza özelliklerini incelemektir.
📊
Temel Bulgular & Veri:Modeller S&P500, FTSE100, DAX, CAC40 ve ISE100 borsa endekslerinin günlük kapanış fiyatları kullanılarak test edilmiştir.
💡
Sonuç & Katkı:Ayrıca volatilitenin öngörülebilir yapı göstermesi nedeniyle tüm borsaların zayıf formda etkinsiz oldukları sonucuna varılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmanın amacı, zayıf formda etkin piyasa hipotezi bağlamında birleşik ARFIMA-FIGARCH modeli ve yapısal kırılma testi kullanarak beş farklı borsa endeks getiri serisi için ikili uzun hafıza özelliklerini incelemektir. Modeller S&P500, FTSE100, DAX, CAC40 ve ISE100 borsa endekslerinin günlük kapanış fiyatları kullanılarak test edilmiştir. Volatilite sürekliliği üzerinde yapısal kırılmaların etkilerini belirlemek üzere ICSS (Iterative Cumulative Sums of Squares) algoritması ile varyanstaki kırılmalar tespit edilmiş ve modellere kukla değişkenler olarak eklenmiştir. Analiz sonuçlarına göre, tüm borsalar için ikili uzun hafızanın bulunduğu anlaşılmıştır. Ayrıca volatilitenin öngörülebilir yapı göstermesi nedeniyle tüm borsaların zayıf formda etkinsiz oldukları sonucuna varılmıştır. Bunun yanı sıra, varyanstaki yapısal kırılmaların modellere eklenmesiyle volatilite dinamiklerinin daha doğru hesaplandığı ve volatilite sürekliliğinin fiilen azaldığı saptanmıştır

Abstract

The purpose of this study is to examine the dual long memory properties for five stock market returns by using joint ARFIMAFIGARCH model and structural break test in context of weak form efficient market hypothesis. The models are estimated by using daily closing prices for S&P500, FTSE100, DAX, CAC40 and ISE100. In an effort to assess the impact of structural breaks in volatility persistence, the breaks in variance are detected by using the Iterated Cumulative Sums of Squares (ICSS) algorithm, and dummy variables are incorporated to the models. Empirical findings show that the dual long memory exists for all stock markets. Also the volatility has a predictable structure and indicates that all stock markets are weak form inefficient. Further, it is found that incorporating information on structural breaks in variance improves the accuracy of estimating volatility dynamics and effectively reduces the persistence of volatility.

🔖

Bu Makaleye Atıf Yap

URAL, M., KÜÇÜKÖZMEN, C. C. (2022). Analyzing the dual long memory in stock market returns. Ege Akademik Bakış, Cilt: 11 - Sayı: Özel, 19–28. https://ajindex.com/articles/495470

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Aggarwal, R., Inclan, C. and Leal, R. (1999) “Volatility in Emerging Stock Markets” Journal of Financial and Quantitative Analysis, 34:33-55. Ané, T. (2006) “An Analysis of the Flexibility of Asymmetric Power GARCH Models” Computational Statistics and Data Analysis, 51:1293-1311.
  2. Baillie, R.T., Bollerslev, T. and Mikkelsen, H.O. (1996) “Fractionally Integrated Generalized Autoregressive Conditional Heteroscedasticity” Journal of Econometrics, 74:3–30.
  3. Barkoulas, J.T., Baum, C.F., Travlos, N. (2000) “Long Memory in the Greek Stock Market” Applied Financial Economics, 10:177–184.
  4. Bollerslev, T. (1987) “A Conditionally Heteroskedastic Time Series Model for Speculative Prices and Rates of Return” Review of Economics and Statistics, 69(3):542-547.
  5. Cheong, C.W., Isa, Z. and Nor, A.H.S.M. (2008) “Fractionally Integrated Time-varying Volatility under Structural Break: Evidence from Kuala Lumpur Composite Index” Sains Malaysiana, 37(4):405-411.
  6. Cheung, Y.W. (1993) “Tests for Fractional Integration: A Monte Carlo Investigation” Journal of Time Series Analysis, 14(4):331-345.
  7. Choi, K. and Zivot, E. (2007) “Long Memory and Structural Changes in the Forward Discount: An Empirical Investigation” Journal of International Money and Finance, 26:342-363.
  8. Ding, Z., Granger, C.W.J. and Engle, R.F. (1993) “A Long Memory Property of Stock Market Returns and A New Model” Journal of Empirical Finance, 1:83–106.
  9. Engle, R.F. (1982) “Autoregressive Conditional Heteroscedasticity with Estimates of The Variance of United Kingdom Inflation” Econometrica, 50(4):987-1007.
  10. Eoma, C., Choi, S., Oh, G. and Jung, W.S. (2008) “Hurst Exponent and Prediction Based on Weak-form Efficient Market Hypothesis of Stock Markets” Physica A, 387:4630–4636.
  11. Fama, E.F. (1970) “Efficient Capital Markets: A Review of Theory and Empirical Work” Journal of Finance, 25:383–417.
  12. Granger, C. and Joyeux, R. (1980) “An Introduction to Long Memory Time Series Models and Fractional Differencing” Journal of Time Series Analysis, 1:15–39. Härdle, W.K. and Mungo, J. (2008) “Value-at-Risk and Expected Shortfall When There Is Long Range Dependence” SFB 649 ‘Economic Risk’ Discussion Paper, 6:1-39.
  13. Hosking, J.R.M. (1981) “Fractional Differencing” Biometrika, 68: 165-176.
  14. Inclan, C. and Tiao, G.C. (1994) “Use of Cumulative Sums of Squares for Retrospective Detection of Changes in Variance” Journal of the American Statistic Association, 89:913–923.
  15. Jorion, P. (2007) Value at Risk: The New Benchmark for Managing Financial Ris