KaydedilenlerDerginizi ekleyin

Dergiler / Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2010 / Cilt: 17 - Sayı: 1

Türkiye Döviz Piyasalarında Oynaklığın Öngörülmesi ve Risk Yönetimi Kapsamında Değerlendirilmesi

Uğur SOYTAŞ
Özlem Serpil ÜNAL
Sayfa
121–145
Yayın Tarihi
2010-03-01
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)

Finansal krizile birlikte VaR modellerinin performansında düşüş olduğu tespit edilmiştir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, Türkiye döviz piyasalarında TRL/USD, TRL/EUR ve TRL/GBP serilerinin oynaklığı hareketli ortalama modelleri, AR ve ARMA modelleri ve ARCH süreçleri kullanılarak modellenmiş ve modellerin örneklem dışı öngörü performansları karşılaştırılmıştır.
📊
Temel Bulgular & Veri:Farklı oynaklık öngörüleri kullanılarak elde edilen parametrik VaR modelinin öngörü performansları Basle Komitesi geriye dönük test ölçütleri kapsamında değerlendirilmiştir.
💡
Sonuç & Katkı:Finansal krizile birlikte VaR modellerinin performansında düşüş olduğu tespit edilmiştir
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Anahtar Kelimeler Döviz Kuru Oynaklık Öngörüsü · Türkiye Döviz Piyasaları · GARCH/EGARCH/GJR-GARCH Modelleri

Özet

Bu çalışmada, Türkiye döviz piyasalarında TRL/USD, TRL/EUR ve TRL/GBP serilerinin oynaklığı hareketli ortalama modelleri, AR ve ARMA modelleri ve ARCH süreçleri kullanılarak modellenmiş ve modellerin örneklem dışı öngörü performansları karşılaştırılmıştır. Farklı oynaklık öngörüleri kullanılarak elde edilen parametrik VaR modelinin öngörü performansları Basle Komitesi geriye dönük test ölçütleri kapsamında değerlendirilmiştir. Son küresel finansal krizin risk ölçüm teknikleri üzerindeki etkileri ayrıca araştırılmıştır. Elde edilen sonuçlar, RMSE ölçütüne göre GARCH grubu modellerin, MAE ölçütüne göre ise AR modelinin serilerinin oynaklık öngörüsünü modellemekte diğer modellere kıyasla daha başarılı olduğunu göstermiştir. Finansal krizin oynaklık öngörü modellerinin sıralamasını değiştirmediği ancak finansal krizle birlikte modellerin performanslarının en kötü performansı sergileyen modele yakınsadığı görülmüştür. Oynaklık öngörü modellerine dayalı olarak tahmin edilen VaR modellerinin performansları karşılaştırıldığında ise EWMA ve GARCH grubu modellerin daha doğru sonuçlar verdikleri görülmüştür. Finansal krizile birlikte VaR modellerinin performansında düşüş olduğu tespit edilmiştir

🔖

Bu Makaleye Atıf Yap

SOYTAŞ, U., ÜNAL, Ö. S. (2010). Türkiye Döviz Piyasalarında Oynaklığın Öngörülmesi ve Risk Yönetimi Kapsamında Değerlendirilmesi. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 17 - Sayı: 1, 121–145. https://ajindex.com/articles/9180

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Alexander, C. (2001). Market Models: A Guide to Financial Data Analysis. Chichester, UK: John Wiley and Sons Ltd. Aysoy, C., Balaban, E., Koğar C. I. ve Özcan C. (1996). “Daily Volatility in the Turkish Foreign Exchange Market”. Erişim: Mayıs 2009. TCMB Tartışma Tebliğleri No: 9625, http://www.tcmb.gov.tr/yeni/evds/teblig/96/9625.html.
  2. Baille, R. T. and Bollerslev, T. (1989). The Message in Daily Exchange Rates: A Conditional- Variance Tale. Journal of Business and Economic Statistics, 7, 297-305.
  3. Baille, R. T., Bollerslev, T. and Mikkelsen, H. O. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 74, 3-30.
  4. Balaban, E. (2004). Comparative Forecasting Performance of Symmetric and Asymmetric Conditional Volatility Models of an Exchange Rate. Economics Letters, 83, 99-105. Basle Committee (1996a). Amendment to the Capital Accord to Incorporate Market Risks. Basle Committee (1996b). Supervisory Framework for the Use of ‘Backtesting’ in Conjunction with Internal Models Approach to Market Risk. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31, 307-327.
  5. Bollerslev, T. (1987). A conditionally Heteroskedastic Time Series Model for Speculative Prices and Rates of Return. Review of Economics and Statistics, 69, 542-547.
  6. Bollerslev, T., Chou, R. Y. and Kroner, K. F. (1992). ARCH Modeling in Finance. Journal of Econometrics, 52, 5-59.
  7. Brooks, C., (2002), Introductory Econometrics for Finance. Cambridge, UK: Cambridge University Press.
  8. Brooks, C. and Persand, G. (2002). Model Choice and Value-at-Risk Performance. Financial Analysts Journal, 58, 87-97.
  9. Brooks, C. and Persand, G. (2003). Volatility Forecasting for Risk Management. Journal of Forecasting, 22, 1-22.
  10. Brailsford, T.J. and Faff, R.W. (1996), “An Evaluation of Volatility Forecasting Techniques”, Journal of Banking and Finance, 20, 419-438.
  11. Domaç, I. and Mendoza, A. (2002). “Is There Room for Forex Interventions Under Inflation Targeting Framework? Evidence from Mexico and Turkey”. Erişim: Mayıs 2009. TCMB Tartışma Tebliğleri No: 0206, http://www.tcmb.gov.tr/research/discus/dpaper58.pdf
  12. Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation. Econometrica, 50, 987-1008.
  13. Engle, R. F. and Bollerslev, T. (1986). Modelling the Persistence of Conditional Variances. Econometric Reviews, 5, 1-50; 81-87.
  14. Fama, E. F. (1965). The Behavior