Araştırma Makalesi
BibTex RIS Kaynak Göster

Dolar ve Euro kurları ile BİST 100 endeksi getiri oynaklığının modellemesi ve yayılımı: GARCH ve MGARCH modelleri ile bir uygulama

Yıl 2022, Cilt: 4 Sayı: 2, 125 - 133, 08.12.2022

Öz

Bu çalışmada, USD-EURO kurları ve BIST 100 endeksi getiri serilerinin oynaklık modellemesi yapılmış ve aralarındaki volatilite yayılımı incelenmiştir. Veriler 2000-2019 dönemi haftalık olarak ele alınmıştır. Serilerin oynaklık modellemesinde ARCH-GARCH, volatilite yayılımlarında ise MGARCH modellerinden yararlanılmıştır. Analiz sonucuna bakıldığında, oynaklık modellemesinde USD ve EURO serileri için GARCH(1,1), BIST 100 endeksi getiri serisi için EGARCH(1,1) modelinin uygun olduğu tespit edilmiştir. Ayrıca seriler arasında volatilite yayılımı gözlemlenmiş ve en yüksek ilişki seviyesinin USD-EURO serileri arasında olduğu sonucuna ulaşılmıştır.

Kaynakça

  • Abdalla, S. Z. S., & Winker, P. (2012). Modelling stock market volatility using univariate GARCH models: evidence from Sudan and Egypt. International Journal of Economics and Finance, 4(8), 161-176.
  • Anghelache, G. V., Kralık, L. I., Acatrinei, M., & Pete, S. (2014). Influence of the EU accession process and the global crisis on the CEE stock markets: a multivariate correlation analysis. Romanian Journal of Economic Forecasting, 17(2), 35-52.
  • Başçı, E. S. (2011). İMKB mali ve sınai endeksleri’nin 2002-2010 dönemi için günlük oynaklığı’nın karşılaştırmalı analizi. Dokuz Eylül Üniversitesi İşletme Fakültesi Dergisi, 12(2), 187-199.
  • Bozkuş, S. (2005). Risk ölçümünde alternatif yaklaşımlar: riske maruz değer (var) ve beklenen kayıp (es) uygulamaları. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 27-45.
  • Büberkökü, Ö. (2019). BIST 30 endeksi ve Dolar-TL kuru için futures kontratlara dayalı optimal hedge rasyolarının ve hedging etkinliğinin incelenmesi: kapsamlı bir analiz. Finans Ekonomi ve Sosyal Araştırmalar Dergisi 4(4), 514-544.
  • Demirgil, H., & Gök, İ. Y. (2014). Türkiye ve başlıca AB pay piyasaları arasında asimetrik volatilite yayılımı. Yönetim ve Ekonomi Araştırmaları Dergisi, 23, 315-340.
  • Erjavec, N., & Cota, B. (2007). Modeling stock market volatility in Croatia. Economic Research - Ekonomska Istraživanja, 20(1), 1-7.
  • Gök, İ. Y., & Kalaycı, Ş. (2014). BIST 30 spot ve futures piyasalarında güniçi fiyat keşfi ve volatilite yayılımı. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(3), 109-133.
  • Hai, V. T. T., Albert K., & Zhang, Z. (2012). Measuring asymmetry and persistence in conditional volatility in real output: evidence from three east Asian tigers using a multivariate GARCH approach. Applied Economics, 45(20), 2909-2914.
  • Inagaki, K. (2007). Testing for volatility spillover between the British Pound and the Euro. Research in International Business and Finance, 21(2), 161-174.
  • İşçioğlu, F., & Gülay, E. (2018). ABD Doları/Türk Lirası döviz kurunun otoregresif koşullu değişen varyans modelleri ile incelenmesi: Türkiye örneği. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 20, 151-168.
  • Kendirli, S., & Karadeniz, G. (2012). 2008 kriz sonrası İMKB 30 endeksi volatilitesinin genelleştirilmiş ARCH modeli ile tahmini. Sütçü İmam Üniversitesi İİBF Dergisi, 95-104.
  • Kılıç, R., & Dilber, C. (2017). Türkiye’deki enflasyon ve dolar kuru volatilitesinin bist-100 endeksi oynaklığı üzerindeki etkisi. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 8(1), 164-174.
  • Miyakoshi, T. (2003). Spillovers of stock return volatility to Asian equity markets from Japan and the US. Journal of International Financial Markets, Institutions and Money, 13(4), 383-399.
  • Nagayasu, J. (2004). The effectiveness of Japanese foreign exchange interventions during 1991–2001. Economics Letters, 84(3), 377-381.
  • Nyoni, T. (2018). Modeling and forecasting inflation in Zimbabwe: a generalized autoregressive conditionally heteroskedastic (GARCH) Approach. MPRA, Paper No. 88132, 1-30.
  • Rossi, E., & Spazzini, F. (2010). Model and distribution uncertainty in multivariate GARCH estimation: a monte carlo analysis. Computational Statistics and Data Analysis, 54, 2786-2800.
  • Su, E., & Knowles, T. W. (2006). Asian pacific stock market volatility modeling and value at risk analysis. Emerging Markets Finance and Trade, 42(2), 18-62.
  • Topaloğlu, E. E. (2019), “CBOE VIX endeksi ile OECD ülke borsaları arasındaki volatilite yayılımı CCC-MGARCH modeli ile ampirik bir araştırma, Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3), 574-595.
  • Topaloğlu, E. E. (2020). Borsa İstanbul pay endekslerinin volatilite yapısı ve volatilite yayılımı: GARCH ve MGARCH modelleri ile BİST sınai ve mali endeksleri örneği. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (63), 17-38.
  • Tseng, C. H., Cheng, S. T., Wang, Y. H., & Peng, J. T. (2008). Artificial neural network model of the hybrid EGARCH volatility of the Taiwan stock ındex option prices. Physica A, 387, 3192–3200.
  • Ural, M., & Demireli, E. (2015). CDS getirilerinin APGARCH modellemesi. Ekonomik ve Sosyal Araştırmalar Dergisi, 11(2), 171-182.
  • Yaman, M., & Koy, A. (2019). ABD doları / Türk lirası döviz kuru volatilitesinin modellenmesi: 2001-2018 ve 2001-2019 dönemleri arasında karşılaştırmalı bir analiz. Muhasebe ve Finans İncelemeleri Dergisi, 2(2), 118–129.
  • Yu, J. (2002). Forecasting volatility in the New Zealand stock market. Applied Financial Economics, 12(3), 193-202.

Modeling and spillover of BIST 100 index return volatility with Dollar and Euro exchange rates: an application with GARCH and MGARCH models

Yıl 2022, Cilt: 4 Sayı: 2, 125 - 133, 08.12.2022

Öz

In this study, the volatility modeling of the USD-EURO exchange rates and the BIST 100 index return series and to reveal the volatility spillover between them is analyzed. The data were considered weekly for the period 2000-2019. Volatility structure of the were firstly determined by ARCH-GARCH models and then the volatility spillover among them was determined by MGARCH models. Looking at the analysis result, it is determined that GARCH(1,1) model is suitable for USD and EURO series and EGARCH(1,1,) model is suitable for BIST 100 index return series in volatility modeling. Was concluded that the highest correlation level was between the USD-EURO series.   

Kaynakça

  • Abdalla, S. Z. S., & Winker, P. (2012). Modelling stock market volatility using univariate GARCH models: evidence from Sudan and Egypt. International Journal of Economics and Finance, 4(8), 161-176.
  • Anghelache, G. V., Kralık, L. I., Acatrinei, M., & Pete, S. (2014). Influence of the EU accession process and the global crisis on the CEE stock markets: a multivariate correlation analysis. Romanian Journal of Economic Forecasting, 17(2), 35-52.
  • Başçı, E. S. (2011). İMKB mali ve sınai endeksleri’nin 2002-2010 dönemi için günlük oynaklığı’nın karşılaştırmalı analizi. Dokuz Eylül Üniversitesi İşletme Fakültesi Dergisi, 12(2), 187-199.
  • Bozkuş, S. (2005). Risk ölçümünde alternatif yaklaşımlar: riske maruz değer (var) ve beklenen kayıp (es) uygulamaları. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 27-45.
  • Büberkökü, Ö. (2019). BIST 30 endeksi ve Dolar-TL kuru için futures kontratlara dayalı optimal hedge rasyolarının ve hedging etkinliğinin incelenmesi: kapsamlı bir analiz. Finans Ekonomi ve Sosyal Araştırmalar Dergisi 4(4), 514-544.
  • Demirgil, H., & Gök, İ. Y. (2014). Türkiye ve başlıca AB pay piyasaları arasında asimetrik volatilite yayılımı. Yönetim ve Ekonomi Araştırmaları Dergisi, 23, 315-340.
  • Erjavec, N., & Cota, B. (2007). Modeling stock market volatility in Croatia. Economic Research - Ekonomska Istraživanja, 20(1), 1-7.
  • Gök, İ. Y., & Kalaycı, Ş. (2014). BIST 30 spot ve futures piyasalarında güniçi fiyat keşfi ve volatilite yayılımı. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(3), 109-133.
  • Hai, V. T. T., Albert K., & Zhang, Z. (2012). Measuring asymmetry and persistence in conditional volatility in real output: evidence from three east Asian tigers using a multivariate GARCH approach. Applied Economics, 45(20), 2909-2914.
  • Inagaki, K. (2007). Testing for volatility spillover between the British Pound and the Euro. Research in International Business and Finance, 21(2), 161-174.
  • İşçioğlu, F., & Gülay, E. (2018). ABD Doları/Türk Lirası döviz kurunun otoregresif koşullu değişen varyans modelleri ile incelenmesi: Türkiye örneği. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 20, 151-168.
  • Kendirli, S., & Karadeniz, G. (2012). 2008 kriz sonrası İMKB 30 endeksi volatilitesinin genelleştirilmiş ARCH modeli ile tahmini. Sütçü İmam Üniversitesi İİBF Dergisi, 95-104.
  • Kılıç, R., & Dilber, C. (2017). Türkiye’deki enflasyon ve dolar kuru volatilitesinin bist-100 endeksi oynaklığı üzerindeki etkisi. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 8(1), 164-174.
  • Miyakoshi, T. (2003). Spillovers of stock return volatility to Asian equity markets from Japan and the US. Journal of International Financial Markets, Institutions and Money, 13(4), 383-399.
  • Nagayasu, J. (2004). The effectiveness of Japanese foreign exchange interventions during 1991–2001. Economics Letters, 84(3), 377-381.
  • Nyoni, T. (2018). Modeling and forecasting inflation in Zimbabwe: a generalized autoregressive conditionally heteroskedastic (GARCH) Approach. MPRA, Paper No. 88132, 1-30.
  • Rossi, E., & Spazzini, F. (2010). Model and distribution uncertainty in multivariate GARCH estimation: a monte carlo analysis. Computational Statistics and Data Analysis, 54, 2786-2800.
  • Su, E., & Knowles, T. W. (2006). Asian pacific stock market volatility modeling and value at risk analysis. Emerging Markets Finance and Trade, 42(2), 18-62.
  • Topaloğlu, E. E. (2019), “CBOE VIX endeksi ile OECD ülke borsaları arasındaki volatilite yayılımı CCC-MGARCH modeli ile ampirik bir araştırma, Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3), 574-595.
  • Topaloğlu, E. E. (2020). Borsa İstanbul pay endekslerinin volatilite yapısı ve volatilite yayılımı: GARCH ve MGARCH modelleri ile BİST sınai ve mali endeksleri örneği. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (63), 17-38.
  • Tseng, C. H., Cheng, S. T., Wang, Y. H., & Peng, J. T. (2008). Artificial neural network model of the hybrid EGARCH volatility of the Taiwan stock ındex option prices. Physica A, 387, 3192–3200.
  • Ural, M., & Demireli, E. (2015). CDS getirilerinin APGARCH modellemesi. Ekonomik ve Sosyal Araştırmalar Dergisi, 11(2), 171-182.
  • Yaman, M., & Koy, A. (2019). ABD doları / Türk lirası döviz kuru volatilitesinin modellenmesi: 2001-2018 ve 2001-2019 dönemleri arasında karşılaştırmalı bir analiz. Muhasebe ve Finans İncelemeleri Dergisi, 2(2), 118–129.
  • Yu, J. (2002). Forecasting volatility in the New Zealand stock market. Applied Financial Economics, 12(3), 193-202.
Toplam 24 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Finans
Bölüm Araştırma Makaleleri
Yazarlar

Özlem Altun Bu kişi benim 0000-0002-1609-5812

Emre Esat Topaloğlu 0000-0001-8771-779X

Yayımlanma Tarihi 8 Aralık 2022
Gönderilme Tarihi 8 Eylül 2022
Yayımlandığı Sayı Yıl 2022 Cilt: 4 Sayı: 2

Kaynak Göster

APA Altun, Ö., & Topaloğlu, E. E. (2022). Dolar ve Euro kurları ile BİST 100 endeksi getiri oynaklığının modellemesi ve yayılımı: GARCH ve MGARCH modelleri ile bir uygulama. Ardahan Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 4(2), 125-133.