Research Article
BibTex RIS Cite

PREDICTION OF STOCK EXCHANGE ISTANBUL INDEX (BIST 100) RETURN VOLATILITY WITH ARCH AND GARCH MODELS

Year 2018, Special Issue of the 10th Year, 608 - 624, 20.04.2018
https://doi.org/10.29067/muvu.384418

Abstract

Due to the increasing volatility movements as the capital markets develop day by day, the
globalization movement, the increase in the types of risk and the increasing uncertainty as the resulting markets become more complex, the analysis of stock market structures has
become more important. Increasing volatility due to the leverage effects, asymmetry, etc.
qualities in the financial series, could prevent the effective pricing of stocks in the stock
markets. Especially developing countries have higher levels of openness and fragility. So it
has great importance to establish the concept of volatility in securities exchanges in
developing countries. In concurrence with the development in information communication
technologies, the possibility of trading 24 hours/a day on the market has emerged.
Estimating the volatility variable, which has recently become the most important variable in
the investment decisions of the global investor, has become even more important especially
in developing countries, since they are more fragile than developed countries. Estimating
this variable has become even more important, especially for decision-makers who are
considering investing in or partnering with the company. Since the conventional models are
insufficient to express the volatility variable; ARCH, GARCH, EGARCH and TGARCH
models, which are nonlinear conditional variance models, have begun to be used. The aim
of the study is to analyze the return volatility of the BIST 100 Index by the ARCH,
GARCH, EGARCH and TGARCH models. BIST 100 Index, which covers the 2011-2017
/ 3 period with its daily closing values, are taken into account. As a result of the study, it
was observed that TGARCH model, which has the highest level of explanatory power, gave
the most successful results among related models in revealing BIST 100 return volatility.

References

  • Akgiray, V. (1989). Conditional Heteroskedasticity in Time Series of Stock Returns: Evidence and Forecasts. Journal of Business,, 62(1), 55-80.
  • Akgül, I., & Sayyan, H. (2005). Forecasting Volatility in ISE-30 Stock Returns with Asymmetric Conditional Heteroscedasticity Models. Symposium of Traditional Finance. İstanbul: Marmara Üniversitesi Bankacılık ve Sigortacılık Yuksekokulu.
  • Bollerslev, T., Engle, R., & Wooldridge, J. (1988). A Capital Asset Pricing Model with Time-Varying Covariances. The Journal of Political Economy, 96, 116-131.
  • Brandt, M. W., & Diebold, F. X. (2006). A No-Arbitrage Approach to RangeBased Estimation of Return Covariances and Correlations. Journal of Business, 79, 61–73.
  • Brandt, M. W., & Jones, C. S. (October 2006). Volatility Forecasting With Range-Based EGARCH Models. Journal of Business & Economic Statistics, 24(4), 47-486.
  • Chong, Y. Y. (2004). Investment Risk Management. England: Wiley Finance.
  • Engle, R., Ng, V. K., & Rothschild, M. (1993). Measuring and Testing the Impact of News on Volatility,. The Journal of Finance, 48, 1749-177.
  • Güriş, S., & Saçaklı, İ. (2011). İstanbul Menkul Kıymetler Borsası’nda Hisse Senedi Getiri Volatilitesinin Klasik ve Bayesyen GARCH Modelleri İle Analizi. Trakya Üniversitesi Sosyal Bilimler Dergisi, 13, 153-172.
  • Sarıoğlu, S. E. (2006). Değiskenlik Modelleri ve İMKB Hisse Senetleri Piyasası’nda Değiskenlik Modellerinin Kesitsel Olarak İrdelenmesi,. İstanbul: İAV Yayınları.

BORSA İSTANBUL ENDEKSİ (BIST 100) GETİRİ VOLATİLETESİNİN ARCH VE GARCH MODELİ İLE TAHMİN EDİLMESİ

Year 2018, Special Issue of the 10th Year, 608 - 624, 20.04.2018
https://doi.org/10.29067/muvu.384418

Abstract

Sermaye piyasalarının gün geçtikçe gelişmesi, küreselleşme hareketi, risk türlerindeki artış
ve artan belirsizlik sonucu piyasaların daha karmaşık hale gelmesiyle, artan volatilite
hareketleri borsaların yapılarının analiz edilmesini daha da önemli hale getirmiştir. Finansal
serilerde yer alan kaldıraç etkisi, asimetri vb. özellikler nedeniyle artan volatilite,
borsalarda hisse senetlerinin etkin bir şekilde fiyatlanmasını engelleyebilmektedir. Özellikle
gelişmekte olan ülkelerin dışa açıklık derecesi ve kırılganlık seviyeleri yüksek olduğu için
menkul kıymet borsalarında volatilite kavramının ortaya konması büyük önem arz
etmektedir. Bilgi iletişim teknolojilerinde yaşanan gelişmeyle birlikte, piyasalarda 24 saat
işlem yapma imkânı sağlanmıştır. Son zamanlarda küresel yatırımcının yatırım kararlarında
en önemli değişken haline gelen volatilite değişkeninin tahmin edilmesi, özellikle gelişmiş
ülkelere göre daha kırılgan yapıda oldukları için gelişmekte olan ülkelerde daha da önemli
hale gelmiştir. Bu değişkenin tahmin edilmesi özellikle ilgili şirkete yatırım yapmayı yada
ortak olmayı düşünen karar vericiler için daha da önemli hale getirmektedir. Geleneksel
modeller volatilite değişkenini ifade etmede yetersiz kaldıkları için, doğrusal olmayan
koşullu varyans modelleri olan ARCH, GARCH, EGARCH ve TGARCH modelleri
kullanılmaya başlanmıştır. Çalışmada BIST 100 Endeksinin 2011-2017/3 dönemini
kapsayan ve günlük kapanış değerleri ele alınarak BIST 100 Endeksinin getiri
volatilitelerinin ARCH, GARCH, EGARCH ve TGARCH modelleri ile, açıklayıcılık
derecesi en yüksek modelin hangisi olduğu ortaya konması amaçlanmaktadır. Çalışma
sonucunda BIST 100 getiri volatilitesinin ortaya konmasında ilgili modeller arasında
TGARCH modelinin en başarılı sonuçlar verdiği gözlemlenmiştir.

References

  • Akgiray, V. (1989). Conditional Heteroskedasticity in Time Series of Stock Returns: Evidence and Forecasts. Journal of Business,, 62(1), 55-80.
  • Akgül, I., & Sayyan, H. (2005). Forecasting Volatility in ISE-30 Stock Returns with Asymmetric Conditional Heteroscedasticity Models. Symposium of Traditional Finance. İstanbul: Marmara Üniversitesi Bankacılık ve Sigortacılık Yuksekokulu.
  • Bollerslev, T., Engle, R., & Wooldridge, J. (1988). A Capital Asset Pricing Model with Time-Varying Covariances. The Journal of Political Economy, 96, 116-131.
  • Brandt, M. W., & Diebold, F. X. (2006). A No-Arbitrage Approach to RangeBased Estimation of Return Covariances and Correlations. Journal of Business, 79, 61–73.
  • Brandt, M. W., & Jones, C. S. (October 2006). Volatility Forecasting With Range-Based EGARCH Models. Journal of Business & Economic Statistics, 24(4), 47-486.
  • Chong, Y. Y. (2004). Investment Risk Management. England: Wiley Finance.
  • Engle, R., Ng, V. K., & Rothschild, M. (1993). Measuring and Testing the Impact of News on Volatility,. The Journal of Finance, 48, 1749-177.
  • Güriş, S., & Saçaklı, İ. (2011). İstanbul Menkul Kıymetler Borsası’nda Hisse Senedi Getiri Volatilitesinin Klasik ve Bayesyen GARCH Modelleri İle Analizi. Trakya Üniversitesi Sosyal Bilimler Dergisi, 13, 153-172.
  • Sarıoğlu, S. E. (2006). Değiskenlik Modelleri ve İMKB Hisse Senetleri Piyasası’nda Değiskenlik Modellerinin Kesitsel Olarak İrdelenmesi,. İstanbul: İAV Yayınları.
There are 9 citations in total.

Details

Primary Language Turkish
Journal Section Issue
Authors

Serdar Kuzu

Publication Date April 20, 2018
Submission Date January 26, 2018
Acceptance Date June 2, 2018
Published in Issue Year 2018 Special Issue of the 10th Year

Cite

APA Kuzu, S. (2018). BORSA İSTANBUL ENDEKSİ (BIST 100) GETİRİ VOLATİLETESİNİN ARCH VE GARCH MODELİ İLE TAHMİN EDİLMESİ. Journal of Accounting and Taxation Studies608-624. https://doi.org/10.29067/muvu.384418

Cited By



RİSKLİ YATIRIM ARAÇLARINDA VOLATİLİTE MODELLEMESİ
Anadolu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi
https://doi.org/10.53443/anadoluibfd.1209648







Creative Commons Lisansı
This Journal Licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

This license allows reusers to distribute, remix, adapt, and build upon the material in any medium or format for noncommercial purposes only, and only so long as attribution is given to the creator.