KaydedilenlerDerginizi ekleyin

Dergiler / Ege Akademik Bakış Dergisi / 2019 / Cilt: 19 Sayı: 4

Türkiye’de Vadeli İşlem ve Opsiyon Piyasası’nın Etkinliği ve Sözleşmelerin Karşılaştırmalı Fiyat Öngörüsü

Effectiveness of Turkish Derivatives Market and Forecasting Comparative Prices for the Contracts

Taner Taş0000-0002-2861-5467
Sibel Selim0000-0002-8464-588X
Sayfa
469–485
Yayın Tarihi
2019-10-26
🏛️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 bulgularına göre, TL/Dolar  sözleşme serisi için ARMA(4,4) modeli, RBF-1-B-L  yapay sinir ağı modeli ve ARCH(1) modeline kıyasla  daha yüksek öngörü performansı gösterirken, Bist-  30 sözleşme serisi için ise TDNN 1-B-L yapay sinir  ağı modeli, ARMA(4,5) ve ARCH(1) modeline kıyasla  daha yüksek öngörü performansı gösteren model  olmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Finansal piyasalarda oluşan belirsizliğin ve riskin  giderilmesi amacıyla geliştirilmiş olan türev  piyasalarda, piyasaya duyulan güven, doğru bilginin  piyasaya dahil olan tüm unsurlara aynı anda ulaşması  sayesinde piyasanın etkin olarak işlemesi durumunda  gerçekleşebilmektedir.
📊
Temel Bulgular & Veri:Böylece, geçmiş dönem  fiyat hareketlerinden yararlanarak gelecek döneme  ilişkin öngörüler yapmak mümkün olmamaktadır.  Bu bağlamda çalışmada öncelikle, Türkiye’de faaliyet  gösteren Vadeli İşlem ve Opsiyon Piyasası’nın  etkinliği; Genişletilmiş (Augmented) Dickey-Fuller  (ADF), Phillips-Perron (PP) ve Kwiatkowski vd. (KPSS)  doğrusal birim kök testleri ve Kapetanios vd. (KSS)  doğrusal olmayan birim kök testi uygulanarak  sınanmıştır.
💡
Sonuç & Katkı:Analiz bulgularına göre, TL/Dolar  sözleşme serisi için ARMA(4,4) modeli, RBF-1-B-L  yapay sinir ağı modeli ve ARCH(1) modeline kıyasla  daha yüksek öngörü performansı gösterirken, Bist-  30 sözleşme serisi için ise TDNN 1-B-L yapay sinir  ağı modeli, ARMA(4,5) ve ARCH(1) modeline kıyasla  daha yüksek öngörü performansı gösteren model  olmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2005 Verileri
⚙️Değişkenler:Türev Piyasalar · Etkin Piyasalar Hipotezi · Birim Kök Testi

Özet

Finansal piyasalarda oluşan belirsizliğin ve riskin  giderilmesi amacıyla geliştirilmiş olan türev  piyasalarda, piyasaya duyulan güven, doğru bilginin  piyasaya dahil olan tüm unsurlara aynı anda ulaşması  sayesinde piyasanın etkin olarak işlemesi durumunda  gerçekleşebilmektedir. Böylece, geçmiş dönem  fiyat hareketlerinden yararlanarak gelecek döneme  ilişkin öngörüler yapmak mümkün olmamaktadır.  Bu bağlamda çalışmada öncelikle, Türkiye’de faaliyet  gösteren Vadeli İşlem ve Opsiyon Piyasası’nın  etkinliği; Genişletilmiş (Augmented) Dickey-Fuller  (ADF), Phillips-Perron (PP) ve Kwiatkowski vd. (KPSS)  doğrusal birim kök testleri ve Kapetanios vd. (KSS)  doğrusal olmayan birim kök testi uygulanarak  sınanmıştır. Rassal yürüyüş sergilemediğine karar  verilen seriler sebebiyle piyasanın etkin olmadığı  sonucuna ulaşılmıştır. Ardından, Vadeli İşlem ve  Opsiyon Piyasası’nda işlem gören TL/Dolar ve Bist- 30 sözleşmelerinin gün sonu uzlaşma fiyatının  öngörüsünde en yüksek performansı gösteren  yöntemin belirlenmesi amaçlanmıştır. Bu amaçla,  Borsa İstanbul A.Ş’den temin edilen ve 04.02.2005  – 31.12.2015 tarihleri arasını kapsayan veriler  kullanılmıştır. Analiz bulgularına göre, TL/Dolar  sözleşme serisi için ARMA(4,4) modeli, RBF-1-B-L  yapay sinir ağı modeli ve ARCH(1) modeline kıyasla  daha yüksek öngörü performansı gösterirken, Bist-  30 sözleşme serisi için ise TDNN 1-B-L yapay sinir  ağı modeli, ARMA(4,5) ve ARCH(1) modeline kıyasla  daha yüksek öngörü performansı gösteren model  olmuştur.

Abstract

Derivative markets developed for eliminating  uncertainty and risk arising from financial markets  can make predictions about the future by using  past price movements in case the market is not  effective. In this context, in this study, firstly, the  effectiveness of the Turkish Derivatives Market was  tested by applying the Augmented Dickey-Fuller  (ADF), Phillips-Perron (PP) and Kwiatkowski et al.  (KPSS) linear unit root tests and Kapetanios et al.  (KSS) nonlinear unit root test. As a result of all unit  root tests, it was concluded that the series did not  show random walk, so that the market was not  effective. Then, the method that shows the highest  performance is tried to be determined when  forecasting the end of day settlement price of the  TL/Dollar and Bist-30 contracts which is traded in the  Derivatives Market. For this purpose, the forecasting  results produced by the time series analysis methods  are compared with the results of the artificial neural  network model which has the best performance by  employing different architectures, layer numbers,  cell numbers in layers, activation functions and  learning methods using the data which is provided  from Borsa Istanbul Inc. and covering the dates  between 04.02.2005 and 31.12.2015.According to  the results of analysis, ARMA (4,4) model performed  better than RBF-1-BL artificial neural network  model and ARCH (1) model for TL/Dollar contract  series. For the Bist-30 contract series, TDNN-1-B-L  artificial neural network model has higher predictive  performance than ARMA (4.5) and ARCH (1) models.

🔖

Bu Makaleye Atıf Yap

Taş, T., Selim, S. (2019). Türkiye’de Vadeli İşlem ve Opsiyon Piyasası’nın Etkinliği ve Sözleşmelerin Karşılaştırmalı Fiyat Öngörüsü. Ege Akademik Bakış Dergisi, Cilt: 19 Sayı: 4, 469–485. https://doi.org/10.21121/eab.638575

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (33)

  1. Adebiyi, A. A., Adewumi, A., O. ve Ayo, C. K. (2014). Comparison of ARIMA and Artificial Neural Networks Models for Stock Price Prediction. Journal of Applied Mathematics. http://dx.doi. org/10.1155/2014/614342.
  2. Akcan, A. ve Kartal, C. (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları ile Tahmini. Muhasebe ve Finansman Dergisi, Temmuz, 27-40.
  3. Akdağ, Y. (2010). Vadeli İşlem ve Opsiyon Borsası’nda TL/ Dolar Vadeli İşlem Sözleşmelerinin Gün Sonu Uzlaşma Fiyatının Yapay Sinir Ağları ile Tahmini. (Yayınlanmamış Yüksek Lisans Tezi). Marmara Üniversitesi/ Bankacılık ve Sigortacılık Enstitüsü, İstanbul.
  4. Arabacı, Ö. (2007). Makroekonomik Zaman Serisi Analizi ve Yapay Sinir Ağı Uygulamaları. (Yayınlanmamış Doktora Tezi). Uludağ Üniversitesi/ Sosyal Bilimler Enstitüsü, Bursa
  5. Aşkın, D., İskender, İ. ve Mamizadeh, A. (2011). Farklı Yapay Sinir Ağları Yöntemlerini Kullanarak Kuru Tip Transformatör Sargısının Termal Analizi. Gazi Üniv. Müh. Mim. Fak. Dergisi, 26(4), 905-913.
  6. Avcı, E. (2007). Forecasting Daily and Sessional Returns of the ISE-100 Index with Neural Network Models. Doğuş Üniversitesi Dergisi, 8(2), 128-142.
  7. Aydın, A. D. ve Çavdar, S. Ç. (2015). Comparison of Prediction Performances of Artificial Neural Network (ANN) and Vector Autoregressive (VAR) Models by Using the Macroeconomic Variables of Gold Prices, Borsa İstanbul (BIST) 100 Index and US Dollar- Turkish Lira (USD/TRY) Exchange Rates. Procedia Economics and Finance, 30, 3-14.
  8. Aygören, H., Sarıtaş, H. ve Moralı, T. (2012). İMKB 100 Endeksinin Yapay Sinir Ağları ve Newton Nümerik Arama Modelleri ile Tahmini. International Journal of Alanya Faculty of Business, 4(1), 73-88.
  9. Box, G. ve Jenkins G. (1976). Time Series Analysis, Forecasting and Control. San Francisco: Holden Day. Çelik, B. (2008). Yapay Sinir Ağları Metodolojisi İle Zaman Serisi Analizi: Teori ve Uygulama. (Yayınlanmamış Yüksek Lisans Tezi). Marmara Üniversitesi/Sosyal Bilimler Enstitüsü, İstanbul.
  10. Dickey, D. A. ve Fuller, W. A. (1979). Distribution of Estimators for Time Series Regressions with a Unit Root. Journal of the American Statistical Association, 74, 427-431.
  11. Efe, M. Ö. ve Kaynak O. (2000). Yapay Sinir Ağları ve Uygulamaları. İstanbul: Boğaziçi Üniversitesi.
  12. Elmas, Ç. (2003). Yapay Sinir Ağları. Ankara: Seçkin.
  13. Engel, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K Inflation. Econometrica, 50, 987-1008.
  14. Kadılar, C., Şimşek, M. ve Aladağ Ç., H. (2009). Forecasting the Exchange Rate Series with ANN: The Case of Turkey. Ekonometri ve İstatistik Dergisi, 9, 17-29.
  15. Kapetanios, G., Shin, Y. ve Snell, A. (2003). Testing for a Unit Root in the Nonlinear STAR framework. Journal of Econometrics, 112(2), 359-379.
  16. Kaynar, O. ve Taştan, S. (2009). Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve ARIMA Modelinin Karşılaştırılması. Erciyes Üniversitesi İktisadi İdari Bilimler Dergisi, 33, 161-172.
  17. Kwiathowski, D., Phillips, P. C. B., Schmidt, P. ve Shin, Y. (1992). Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root, How Sure Are We That Economic Time Series Have a Unit Root?. Journal of Econometrics, 54, 159-178.
  18. Lee, C. K., Sehwan, Y. ve Jongdae, J. (2007). Neural Network Model Versus SARIMA Model in Forecasting Korean Stock Price Index (KOSPI). Issues in Information System, 8(2), 372–378.
  19. Merh, N., Saxena, V. P. ve Pardasani, K. R. (2010). A Comparison Between Hybrid Approaches of ANN and ARIMA for Indian Stock Trend Forecasting. Journal of Business Intelligence, 3(2), 23–43.
  20. Moralı, T. (2011). İMKB 100 Endeksinin yapay Sinir Ağları ve Newton Nümerik Arama Modelleri ile Tahmini ve Sonuçlarının Karşılaştırılması. (Yayınlanmamış Yüksek Lisans Tezi). Pamukkale Üniversitesi/ Sosyal Bilimler Enstitüsü, Denizli.
  21. Özdemir, Ö. (2008). Zaman Serisi Modellemesinde Yapay Sinir Ağlarının Kullanımı ve Bir Uygulama. (Yayınlanmamış Yüksek Lisans Tezi). Anadolu Üniversitesi/ Fen Bilimleri Enstitüsü, Eskişehir.
  22. Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya.
  23. Panda, C. ve Narasimhan, V. (2007). Forecasting Exchange Rate Better with Artificial Neural Network. Journal of Policy Modelling, 29, 227-236.
  24. Phillips, P. C. B. ve Perron, P. (1988). Testing for a Unit Root in Time Series Regressions. Biometrica, 75, 335-346.
  25. Qi, M. ve Zhang, G.,P. (2008). Trend Time-Series Modelling and Forecasting with Neural Networks. Ieee Transactions on Neural Networks, 19(5), 808 – 816.
  26. Sağıroğlu, Ş., Beşdok, E. ve Erler, M. (2003). Mühendislikte Yapay Zeka Uygulamaları-1: Yapay Sinir Ağları. Kayseri: Ufuk.
  27. Servüktekin, M. ve Nargeleçekenler, M. (2005). Zaman Serileri Analizi. Ankara: Nobel.
  28. Shazly, M. R. ve Shazly, H. E. (1999). Forecasting Currency Prices Using a Genetically Evolved Neural Network Architecture. International Review of Financial Analysis, 8(1), 67-82.
  29. Sterbaand, J. ve Hilovska, K. (2010). The Implementation of Hybrid ARIMA Neural Network Prediction Model for Aggregate Water. Aplimat Journal of Applied Mathematics, 3(3), 123-131.
  30. Tsay, R. ve S. (2010). Analysis of Financial Time Series. New York: Wiley Series in Probability and Statistics.
  31. Yavuz, N. Ç. (2014). Finansal Ekonometri. Der.
  32. Zahedi, J. ve Rounaghi, M. M. (2015). Application of Artificial Neural Network Models and Principal Component Analysis Method in Predicting Stock Prices on Tehran Stock Exchange. Physica A, 438, 178-187.
  33. Zhang, P. G. (2003). Business Forecasting with Artificial Neural Networks: An Overview, Neural Networks in Business Forecasting. (Ed.: Zhang, G. P.) Idea Group Publishing.