Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuç olarak klasik ve Bayesci GARCH(1,1) Student-t tahmin modelleri, pay senedi getiri volatilitesinin modellenmesinde, yatırımcılara ve piyasa düzenleyicilerine yatırım riskinin tahmini açısından güvenilir sonuçlar sunmaktadır
📌 3 Maddede Bu Makale
Özet
Yatırım araçlarından beklenen getirinin elde edilmesi kadar yatırım risklerinde tahminin doğruluğu da yatırımcı karakteristikleri açısından önem taşımaktadır. Finansın en temel ikilemlerinden biri olan risk ve getiri konusunun risk ayağına yoğunlaşan çalışmalarda model artıklarının sahip olduğu kalın kuyruk özelliği endeks getirileri için uygun risk tahmin modelinin elde edilmesini zorlaştırmaktadır. Şubat 2007-Şubat 2017 aralığındaki günlük Borsa İstanbul (BİST100) endeks verilerinin kullanıldığı bu çalışmada Student-t artıklarıyla klasik ve Bayesci GARCH (1,1) modellerinin, pay senedi getiri volatilitesi üzerindeki etkilerinin karşılaştırılması amaçlanmaktadır. Araştırma sonucunda pay senedi getiri volatiliteleri için tahmin edilen klasik ve Bayesci GARCH(1,1) - Student-t model sonuçları arasında hem şokların volatilite üzerindeki etkisi hem de volatilite kalıcılığı açısından çok önemli bir farklılık bulunamamıştır. Bu durum her iki tahmin modelinin birbirinden ayırt edilmediği şeklinde yorumlanabilir. Sonuç olarak klasik ve Bayesci GARCH(1,1) Student-t tahmin modelleri, pay senedi getiri volatilitesinin modellenmesinde, yatırımcılara ve piyasa düzenleyicilerine yatırım riskinin tahmini açısından güvenilir sonuçlar sunmaktadır
Abstract
The accuracy of estimate in the investment risk is important for the potential investors as well as the expected return from the investment characteristics. One of the most fundamental issues on risk and return is to have the heavy tailed behavior of the residuals that makes it difficult to obtain an appropriate risk prediction model for index returns in financial studies. In this study, Istanbul stock exchange (ISE-100) daily index data between February 2007 and February 2017 is analyzed with the classic and Bayesian GARCH (1,1) models and it is aimed to compare the effects of them on return volatility with Student-t residuals. As a result of this study, no significant differences are found between the classical and Bayesian GARCH (1,1)-Student-t models both effects of shock on volatility and volatility persistence for stock return. This can be interpreted as both models not well differentiated from each other. In conclusion, classical and Bayesian GARCH (1,1)-Student-t estimation methods provide reliable results both in modeling volatility of returns and in estimating investment risk for investors and market regulators