BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi

Veysel KULA, (Afyon Kocatepe Üniversitesi, Uluslararası Ticaret ve Finansman Bölümü Öğretim Üyesi)
Ender BAYKUT (Afyon Kocatepe Üniversitesi, İngilizce İşletme Bölümü)
Bankacılar
27 3
Yıl: 2017 Cilt: 28 Sayı: 102 Sayfa Aralığı: 89 - 110 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi

Öz:
Bu çalışmanın amacı, Borsa İstanbul bünyesinde yoğun işlem gören Borsa İstanbul Banka Endeksi'nin (BİST XBANK) volatilite yapısının Markov Rejim Değişimi GARCH modeli (MSGARCH) ile analiz edilmesidir. Lineer olmayan GARCH modellerinden MSGARCH, zaman serisini her birisi için farklı stokastik süreç tanımlı durumlara yani rejimlere bölmekte ve gözlemlenemeyen bir durum değişkeni ile rejimler arasında geçişi mümkün kılmaktadır. BİST Banka Endeksi'nin hesaplanmaya başlandığı 02/01/1997 tarihinden 31/12/2016 tarihine kadar toplam 4959 günlük veri seti, koşullu varyans temelinde düşük voltiliteye sahip "düşük riskli rejim" ve yüksek volatiliteye sahip "yüksek riskli rejim" şeklinde iki rejimli olarak değerlendirilmiştir. Borsa İstanbul Banka Endeksi'nin volatilite yapısının MSGARCH (1,1) olarak belirlendiği çalışma bulgularına göre BİST XBANK serisinde düşük riskli rejim ısrarcılığı hakimdir. Endeks düşük riskli rejimde olmaya yönelik yüksek olasılığa sahip olup, yüksek riskli rejimde iken de kararlılılık sergilemeyip düşük riskli rejime geçme yönelimi göstermektedir. Endekste düşük riskli rejime kıyasla yüksek riskli rejimin piyasa şoklarına karşı volatilite artışı şeklinde tepkisi daha fazladır. Düşük riskli rejimde daha fazla olmak üzere her iki rejimde de volatilite ısrarcılığı yüksek seviyededir.
Anahtar Kelime:

Konular: İşletme Finans

An Analysis of the Volatility Structure of BIST BANK (XBANK) Index by a Markov Regime Switching GARCH (MSGARCH) Model

Öz:
The aim of the study is to analyze the volatility structure of heavily traded Borsa Istanbul Bank Index (BIST XBANK) by means of Markov Rejime Switching GARCH model (MSGARCH). As a member of non-linear GARCH familiy, MSGARCH divides the time series into states or rejimes of different stochastik process as well as allowing transition between the regimes based on an unobservable latent variable. Utilising 4959 daily data from the inception date of XBANK index calculation, 02/01/1997 till 31/12/2016, the study distinguished, based on the conditional variance, two regimes: "low risk regime" characterized with low level of volatility, and "high risk regime" associated with high level of volatiliy. According to the findings of the analysis utilising MSGRACH(1,1) model, BIST XBANK time series is characterized by low risk regime persistence. The index has high level of unconditional probability of being in low risk rejime, and while in high risk regime, the index inclines to move to the low risk regime. Compared to the high risk regime, low risk regime reacts more, in the form of increased volatility, to market shocks. Volatility persistence is high in both regimes, with low risk regime surpassing the other one.
Anahtar Kelime:

Konular: İşletme Finans
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Abounoori, E., Elmi, Z. ve Nademic, Y. (2016). Forecasting Tehran Stock Exchange Volatility; Markov Switching GARCH Approach. Physica A, 445, 264-282.
  • Akar, C. (2007). Volatilite Modellerinin Öngörü Performansları: ARCH, GARCH ve SWARCH Karşılaştırması. İşletme Fakültesi Dergisi, 8(2), 201-217.
  • Akar, C. (2008). Hisse Senedi Getirilerinde Volatilite ve Otokorelasyon İlişkisi: EAR-GARCH Modeli. Elektronik Sosyal Bilimler Dergisi, 7 (23), 134-142.
  • Akay, H.K. ve Nargeleçekenler, M. (2006). Finansal Piyasa Volatilitesi ve Ekonomi. Ankara Üniversitesi SBF Dergisi, 61(4), ss.5-32.
  • Akgiray, V. (1989). Conditional Heteroscedasticity in Time Series of Stock Returns: Evidence and Forecast. The Journal of Business, 62(1), 55-80.
  • Altuntaş, S. T. ve Çolak, F. D. (2015). BİST-100 Endeksinde Volatilitenin Modellenmesi ve Öngörülmesinde ARCH Modelleri. İstanbul Üniversitesi İşletme İktisadı Enstitüsü Dergisi, 79, 208-223.
  • Andersen, T. G. ve Bollerslev, T. (1998). Answering the Skeptics: Yes, Standard Volatility Models Do Provide Accurate Forecasts. International Economic Review, 39(4), 885-905.
  • Ardia, D. (2017). "MSGARCH: Markov-Switching GARCH Models", 26 Temmuz 2017 tarihinde, https://cran.r-project.org/web/packages/MSGARCH/index.html adresinden erişildi.
  • Ardia, D., Bluteau, K., Boudt, K. ve Catania, L. (2017). "Forecasting Performance of Markov-Switching GARCH Models: A Large-Scale Empirical Study", 20 Ağustos 2017 tarihinde, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2918413 adresinden erişildi.
  • Ashley, R. A. ve Patterson, D. M. (2010). Apparent Long Memory in Time Seriesas an Artifact of A Time-Varying Mean: Considering Alternativesto the Fractionally Integrated Model. Macroeconomic Dynamics, 14(1), 59-87.
  • Atakan T. (2009). İstanbul Menkul Kıymetler Borsası'nda Değişkenliğin ARCH-GARCH Yöntemleri İle Modellenmesi. İşletme İktisadı Enstitüsü Dergisi - Yönetim Dergisi, 62, 48-61.
  • Aydın, K. (2003). Riske Maruz Değer Hesaplamalarında EWMA ve GARCH Metodlarının Kullanılması: İMKB-30 Endeks Uygulaması. Yayımlanmamış Yüksek Lisans Tezi, Karaelmas Üniversitesi, Sosyal Bilimler Enstitüsü, Zonguldak, Türkiye.
  • Babikir, A., Gupta, R., Mwabutwa, C. ve Owusu-Sekyere, E. (2012). Structural Breaks And GARCH Models Of Stock Return Volatility: The Case Of South Africa. Economic Modelling, 29, 2435- 2443.
  • Balaban, E. ve Bayar, A. (2005). Stock Returns and Volatility: Emprical Evidence From Fourteen Countries. Applied Economic Letters, 1, 603-611.
  • Balaban, E., Bayar, A., ve Faff, R. W. (2006). Forecasting Stock Market Volatility: Further International Evidence. The European Journal of Finance, 12(2), 171-188.
  • Banumathy, K. ve Azhagaiah, R. (2015). Modelling Stock Market Volatility: Evidence from India. Managing Global Transitions, 1(Spring), 27-41.
  • Başçı, E. Ş. (2011). İMKB Mali ve Sınai Endekslerinin 2002-2010 Dönemi için Günlük Oynaklığının Karşılaştırmalı Analizi. İşletme Fakültesi Dergisi, 12(2), 187-199.
  • Bayraktaroğlu, H. ve Çelik, İ. (2015). Kurumsal Yönetim Uygulamalarının Getiri Oynaklığı Üzerine Etkisi: Borsa İstanbul'da Bir Araştırma. AKÜ İİBF Dergisi, 17(1), 97-108.
  • Benschop, T. ve Cabrera, B.L. (2014). Volatility Modelling of CO2 Emission Allowance Spot Prices with Regime-Switching GARCH Models. SFB 649 Discussion Paper 2014-050
  • Birau, R., Trivedi, J. ve Antonescu, M. (2015). Modeling S&P Bombay Stock Exchange BANKEX Index Volatility Patterns Using GARCH Model. Procedia Economics and Finance, 32(1), 520-525.
  • Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307-27.
  • Bordoloi, S. ve Shankar, S. (2008). Estimating Volatility in the Indian Stock Markets: Some Explorations. Working Paper Series, 1-23.
  • Boyacıoğlu, A. M., Güvenek, B. ve Alptekin, V. (2010). Getiri Volatilitesi ile İşlem Hacmi Arasındaki İlişki. Muhasebe ve Finansman Dergisi, (48), 200-217.
  • Brock W.A., Hsieh D. A., LeBaron B. (1993). Nonlinear Dynamics, Chaos and Instability: Statistical Theory and Economic Evidence. MIT Press, London.
  • Brooks, C. ve Burke, S. (2003). Information criteria for GARCH model selection. The European Journal of Finance, 9(6), 557-580.
  • Brooks, C. ve S.M. Heravi (1999). The Effect of Mis-Specified GARCH Filters on the Finite Sample Distribution of the BDS Test. Computational Economics, 13, 147-162.
  • Brunetti, C., Mariano, R.S., Scotti, C. ve Tan, A.H.H. (2007). Markov Switching GARCH Models of Currency Turmoil in Southeast Asia, Board of Governors of the Federal Reserve System International Finance Discussion Papers Number 889.
  • Cifter, A. (2013). Forecasting electricity price volatility with the Markov-switching GARCH model: Evidence from the Nordic electric power market. Electric Power Systems Research, 102 (2013), 61-67.
  • Çabuk, H. A., Özmen, M. ve Kökçen, A. (2011). Koşullu Varyans Modelleri: İMKB Serileri Üzerine Bir Uygulama. Çukurova Üniversitesi İİBF Dergisi, 15(2), 1-18.
  • Çarıkçı İ. H., Kalaycı Ş. ve Gök İ. Y. (2009). Kurumsal Yönetim-Şirket Performansı İlişkisi: İMKB Kurumsal Yönetim Endeksi Üzerine Ampirik Bir Çalışma. Alanya İşletme Fakültesi Dergisi, 1(1), 51-72.
  • Çelikkol, H., Akkoc, S. ve Akarim, Y. D. (2010). The Impact of Bankruptcy of Lehman Brothers on the Volatility Structure of ISE-100 Price Index. Journal of Money, Investment and Banking, 18, 5-12.
  • Demir, İ. ve Çene, E. (2012). İMKB 100 Endeksindeki Kaldıraç Etkisinin ARCH Modelleriyle İki Alt Dönemde İncelenmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 41(2), 214 - 226.
  • Demir, S. (2016). Modeling Volatility in Emerging Markets: Comparison between Symmetric Garch Model and Ms-Garch Model. Journal of Current Researches on Social Sciences, 6(1), 203-211.
  • Demirhan, D. (2013). Stock Market Reactıon to Natıonal Sportıng Success: Case of Borsa İstanbul. Pamukkale Journal of Sport Sciences, 4(3), 107-121.
  • Diebold, F. X. (1986). Modeling the Persistence of Conditional Variances: A comment. Econometric Reviews, 5(1), 51-56.
  • Duran, S. Şahin, A. (2006). İMKB Hizmetler, Mali, Sınai ve Teknoloji Endeksleri Arasındaki İlişkinin Belirlenmesi. Sosyal Bilimler Araştırmaları Dergisi, 1, 57-70.
  • Enders, W. (2003). Applied Econometric Time Series, Second Edition. Wiley Pres, University of Alabama.
  • Engle, R. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation. Econometrica, 50, 987-1008.
  • Er, Ş. ve Fidan, N. (2013). Modeling Istanbul Stock Exchange-100 Daily Stock Returns: A Nonparametric GARCH Approach. Journal of Business, Economics and Finance, 2(1), 36-50.
  • Fabozzi, F. J. R. Tunaru ve T. Wu (2004). Modeling Volatility for Chinese Equity Markets. Annals of Economics and Finance, 5, 79-92.
  • Frimpong, J. M., Oteng, A. ve Fosu, E. (2006). "Modeling and Forecasting Volatility of Returns on the Ghana Stock Exchange Using GARCH Models", 30 Mart 2017 tarihinde https://mpra.ub.unimuenchen.de/593/ adresinden erişilmiştir.
  • Gabriel, A. S. (2012). Evaluating the Forecasting Performance of GARCH Models: Evidence from Romania. Procedia - Social and Behavioral Sciences ,62, 1006 - 1010.
  • Gök, İ. Y. ve Kalaycı, Ş. (2013). Endeks Futures İşlemlerin Spot Piyasa İstikrarına Etkisi: Türkiye Piyasaları Üzerine Ampirik Bir Araştırma. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(2), 399-422.
  • Gökbulut, R. İ., Köseoğlu, S. D. ve Atakan, T. (2009). The Effects of The Stock İndex Futures to The Spot Stock Market: A Study For The Istanbul Stock Exchange. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 38(1), 84-100.
  • Gökçe, A. (2001). İstanbul Menkul Kıymetler Borsası Getirilerindeki Volatilitenin ARCH Teknikleri ile Ölçülmesi. Gazi Üniversitesi İ.İ.B.F. Dergisi,1, 35-58.
  • Gray, S. F. (1996). Modeling The Conditional Distribution Of İnterest Rates As A Regime Switching Process. Journal of Financial Economics, 42(1), 27-62.
  • Gujarati, D. (2011). Econometrics by Example. Palgrave Macmillan. Günay, S. (2015). Markov Regime Switching Generalized Autoregressive Conditional Heteroskedastic Model and Volatility Modeling for Oil Returns. International Journal of Energy Economics and Policy, 5(4), 979-985.
  • Güriş, S. ve Saçıldı, İ. S. (2011). İstanbul Menkul Kıymetler Borsası'nda Hisse Senedi Getiri Volatilitesinin Klasik ve Bayesyen GARCH Modelleri ile Analizi. Trakya Üniversitesi Sosyal Bilimler Dergisi, 13(2), 153-172.
  • Gürsakal, S. (2011). GARCH Modelleri ve Varyans: İMKB Örneği. Ç.Ü. Sosyal Bilimler Enstitüsü Dergisi, 20(3), 161-178.
  • Gürsoy, M. ve Balaban, M.E. (2014). Hisse Senedi Getirilerindeki Volatilitenin Modellenmesinde Destek Vektör Makinelerine Dayalı GARCH Modellerinin Kullanımı. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(8), 167-186.
  • Hamilton, J. D. (1990). Analysis of Time Series to Changes in Regimes. Journal of Econometrics, 45(1990), 39-70.
  • Higgins, M.L. ve Bera, A.K. (1992). A class of nonlinear ARCH models. Internat. Econom. Rev., 33(1992), 137-158.
  • Inclan, C. ve Tiao, G.C. (1994). Use of Cumulative Sums of Squares for Retrospective Detection of Changes of Variance. Journal of the American Statistical Association, 89(427), 913-923.
  • Intaz, A. (2016). Stock Market Volatility and Returns: A Study of NSE ve BSE in India. International Journal of Humanities ve Social Science Studies (IJHSSS), 2(4), 202-211.
  • Iqbal, F. (2016). Forecasting Volatility and Value-at-Risk of Pakistan Stock Market with Markov Regime-Switching GARCH Models. European Online Journal of Natural and Social Sciences, 5(1), 172-189.
  • Jing, W. (2012). "Essays on Financial Return and Volatility Modeling. Electronic Thesis and Dissertation Repository", 2 Şubat 2017 tarihinde http://ir.lib.uwo.ca/etd/389 adresinden erişilmiştir.
  • Kalaycı, Ş. (2005). The Volatility Relationship Between Stock Market and Economy: A Conditional Variance Analysis in the İstanbul Stock Exchange. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(1), 241-250.
  • Karahanoğlu, I. ve Ercan, H. (2015). BNK10 Endeksindeki Kaldıraç Etkisinin Genelleştirilmiş Otoregresif Koşullu Varyans Modeli ile Analiz Edilmesi. Uluslararası Alanya İşletme Fakültesi Dergisi, 7(3), 169-181.
  • Karmakar, M. (2005). Modelling Conditional Volatility of the Indian Stock Markets. VIKALPA, 30(3), 21- 37.
  • Kayalıdere, K. (2013). Volatilite Tahmin Modelleri ve Performanslarının Ölçümü. Hisse Senedi Piyasalarında Bir Uygulama, 1. Basım, Gazi Kitabevi, Ankara.
  • Kendirli, S. ve Karadeniz G. (2012). 2008 Kriz Sonrası İMKB 30 Endeksi Volatilitesinin Genelleştirilmiş ARCH Modeli İle Tahmini. KSU İİBF Dergisi, 95- 104.
  • Klassen, F. (2002). Improving GARCH Volatility Forecast With Regime-Switching GARCH. Empirical Economics, 27(2), 363-394.
  • Korkmaz, T. ve Aydın, K. (2002). Using EWMA and GARCH Methods in VaR Calculations: Application on ISE-30 Index. ERC/METU 6. International Conference in Economics, September 11-14, 2002, Ankara.
  • Köseoğlu, S. D. (2010). 1997-2010 Dönemi Türk Bankacılık Sektörü Risk Analizi. Niğde Üniversitesi İİBF Dergisi, 3(2), 119-134.
  • Kuan, C. (2002). Lecture on the Markov Switching Model. Institute of Economics Academia Sinica, Taiwan.
  • Kutlar, A. ve Dönek, E. (2001). Selecting the Appropriate Generalized Conditional Heteroscedastic Model for the Daily IMKB Index Returns. AFA 2001 New Orleans Meetings.
  • Lamoureux, C. G. ve Lastrapes, W. D. (1990). Heteroskedasticity in Stock Return Data: Volume versus GARCH Effects. The Journal of Finance, 45(1), 221-229.
  • Lim, C. M. ve Sek, S. K. (2013). Comparing the Performances of GARCH-Type Models in Capturing The Stock Market Volatility İn Malaysia. Procedia Economics and Finance, 5(13), 478-487.
  • Mandelbrot, B. (1963). The Variation of Certain Speculative Prices. Journal of Business, 36, 394-419.
  • Marrucci, J. (2005). Forecasting Stock Market Volatility with Regime- Switching GARCH Models. Studies in nonlineer Dynamics and Econometrics, 9(4), 1-53.
  • Mazıbaş, M. (2005). İMKB Piyasalarındaki Volatilitenin Modellenmesi ve Öngörülmesi: Asimetrik GARCH Modelleri ile Bir Uygulama. VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs 2005, İstanbul Üniversitesi.
  • Mejia, S. H., Garcia, E. M., Santillan, A. G. ve Hernandez, C. C. (2014). Mexican Stock Market Index Volatility. Journal of Finance and Bank Management, 2(3), 01-16.
  • Merkezi Kayıt Kuruluşu (MKK), (2016). "Borsa Trendleri Raporu", 2 Mayıs 2017 tarihinde https://www.mkk.com.tr/project/MKK/file/content/Bilgi%20Merkezi%20Dosyalar%C4%B1%2FBors a%20Trendleri%20Raporu%2FBorsa%20Trendleri%20Raporu%20XIX adresinden erişilmiştir.
  • Mikosch, T. ve Starica, C. (2004). Nonstationarities in Financial Time Series, the Long-Range Dependence, and the IGARCH Effects. The Review of Economics and Statistics, 86(1), 378-390.
  • Mugaloglu, Y. I., ve Erdag, E. (2011). The Relationship between Stock Return Volatility and Public Disclosure: The Case of Istanbul Stock Exchange Online Public Disclosure Platform. Journal of Applied Economics and Business Research, 1(2), 93-102.
  • Mugaloglu, Y. I., ve Erdag, E. (2013). Corporate Governance, Transparency and Stock Return Volatility: Empirical Evidence from the Istanbul Stock Exchange. Journal of Applied Economics and Business Research, 3(4), 207-221.
  • Najjar, D. (2016). Modelling and Estimation of Volatility Using ARCH/GARCH Models in Jordan's Stock Market. Asian Journal of Finance ve Accounting, 8(1), 152-167.
  • Namugaya, J., Patrick, G., Wek O. ve Charles, W.M.( 2014). Modelling Stock Returns Volatility on Uganda Securities Exchange. Applied Mathematical Sciences, 8(104), 5173 - 5184.
  • Nasr, N. ve Razı, M. (2015). Forecastıng Volatılıty In Tehran Stock Exchange (TSE). Fen Bilimleri Dergisi (CFD), 36(4), 1039- 1048.
  • Neokosmidis, I. (2009). "Econometric Analysis Of Realized Volatility: Evidence of Financial Crisis", 3 Mart 2017 tarihinde http://www.lse.ac.uk/europeanInstitute/research/hellenicObservatory/pdf/4th_%20Symposium/PA PERS_PPS/APPLIED_ECONOMICS/NEOKOSMIDIS.pdf adresinden erişilmiştir.
  • Özden, Ü. H. (2008). İMKB Bileşik 100 Endeksi Getiri Volatilitesinin Analizi. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 7(13), 339-350.
  • Özen, E., Özdemir, L., Grima, S. ve Bezzina, F. (2014). Investigating Causality Effects in Return Volatility among Five Major Futures Markets in European Countries with a Mediterranean Connection. Journal of Financial Management, Markets and Institutions, 2(2), 207-220.
  • Özer, A. ve Ece, O. (2016). Vadeli İşlem Piyasalarında Anomalilerin ARCH GARCH Modelleri ile Test Edilmesi: Türkiye Vadeli İşlemler Piyasası Üzerine Bir Uygulama. Nevşehir Hacı Bektaş Veli Üniversitesi, Sosyal Bilimler Enstitüsü Dergisi, 6(2), 1-14.
  • Pena, D. ve Rodriguez, J. (2005). Detecting Nonlinearity in Time Series By Model Selection Criteria. International Journal of Forecasting, 21(2005), 731-748.
  • Poon, S.H. ve Granger, C.W.J. (2003). Forecasting Volatility in Financial Markets: A Review. Journal of Economic Literature, 41(2), 478-539.
  • Raza, M. A., Arshad, I. A., Ali, N. ve Munawar, S. (2015). Estımatıng and Forecastıng Volatılıty of Stock Returns: Evıdence From Karachı Stock Exchange, Sci.int.(Lahore), 27(1), 795-801.
  • Reider, R. (2009). "Volatility Forecasting I: GARCHModels URL", 20 Şubat 2017 tarihinde http://cims.nyu.edu/almgren/timeseries/Vol_Forecast1.pdf adresinden erişilmiştir.
  • Rüzgar, B. ve Kale, İ. (2007). The Use of ARCH and GARCH Models for Estimating and Forecasting Volatility. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi,(14), 78-109.
  • Sarıoğlu, S.E. (2006). Değişkenlik Modelleri ve İMKB Hisse Senetleri Piyasası'nda Değişkenlik Modellerinin Kesitsel Olarak İrdelenmesi. İstanbul: İktisadi Araştırmalar Vakfı. Schwert, G. W. (1989). Why does stock market volatility change over time?. Journal of Finance, 44(1), 1115-1153.
  • Sevüktekin, M. ve Nargeleçekenler, M. (2006). İstanbul Menkul Kıymetler Borsasında Getiri Volatilitesinin Modellenmesi ve Ön raporlanması. Ankara Üniversitesi SBF Dergisi, 61(4), 243- 265.
  • Sharma, P. and Vipul. (2015). Forecasting Stock İndex Volatility With GARCH Models: İnternational Evidence. Studies in Economics and Finance, 32(4), 445-463.
  • Sharma, P. ve Vipul. (2016). Forecasting Stock Market Volatility Using Realized GARCH Model: International Evidence. The Quarterly Review of Economics and Finance, 59, 222-230.
  • Şahin, Ö. (2014). BİST'teki Endekslerin Volatilitelerinin Karşılaştırılmalı Analizi: BİST Kurumsal Yönetim, BİST-100, BİST-30 VE BİST-50 Endeksleri Üzerine Bir Uygulama. Yayımlanmamış Doktora Tezi, Düzce Üniversitesi, Sosyal Bilimler Enstitüsü, Düzce, Türkiye.
  • Şahin, Ö., Öncü, M. A. ve Sakarya, Ş. (2015). BİST-100 ve Kurumsal Yönetim Endeksi Volatilitelerinin Karşılaştırmalı Analizi. C.Ü. İktisadi ve İdari Bilimler Dergisi, 16(2), 107-126.
  • Şimşek, M. (2016). Borsa İstanbul (BIST) ve BRICS Ülkelerinin Hisse Senedi Piyasalarının İlişkisi Üzerine Bir İnceleme. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 5(3), 520 -536.
  • Tamilselvan, M ve Shaik M. V. (2016). Forecasting Stock Market Volatility-Evidence From Muscat Security Market Using GARCH Models. International Journal of Commerce and Finance, 2(1), 37- 53.
  • Taylor, S. (1986). Modelling Financial Time Series, Wiley, Chichester.
  • Telatar, E. ve Binay, H.S. (2002). İMKB Endeksinin PARCH Modellemesi. Akdeniz İİBF Dergisi, 3, 114-121.
  • Tripathy, N. ve Garg, A. (2013). Forecasting Stock Market Volatility: Evidence from Six Emerging Markets. Journal of International Business and Economy, 14(2), 69-93.
  • Tsay, R.S. (2005). Analysis of Financial Time Series. New Jersey: John Wiley ve Sons.
  • Tuna, K. ve İsabetli, İ. (2014). Finansal Piyasalarda Volatilite ve BİST-100 Örneği. Kocaeli Üniversitesi Sosyal Bilimler Dergisi, 27, 21-31.
  • Wagala, A.. Nassiuma, D. K., Islam, A. S. ve Mwangi, J. W. (2012). Volatility Modelling of the Nairobi Securities Exchange Weekly Returns Using the Arch-Type Models. International Journal of Applied Science and Technology, 2(3), 165-174.
  • Wei, Y., Y. Wang, ve D. Huang (2010). Forecasting Crude Oil Market Volatility: Further Evidence Using GARCH-Class Models. Energy Economics 32, 1477-1484.
  • Yalama, A. (2008). Dünya Borsaları ve İMKB'de Oynaklık Yapısının Analizi ve Oynaklık Etkileşimi. Doktora Tezi, Anadolu Üniversitesi Sosyal Bilimler Enstitüsü, Eskişehir. Yavan, Z. A. ve Aybar, C. B.(1998). İMKB'de Oynaklık. İMKB Dergisi, 2, 6.
  • Yorulmaz, Ö. ve Ekici, O. (2010). İMKB'nin Latin Amerika Borsalarıyla İlişkisi Üzerine Çok Değişkenli GARCH Modellemesi. Sosyal Bilimler Dergisi, 4, 25-32.
  • Yüksel, H. ve Bayram, H. (2005). ARCH-GARCH Modelling in Turkish, Greek and Russian Stock Markets. Seminar in Financial Data Analysis.
  • Zhang, Y. J., Yao, T. ve He, L. Y. (2015). "Forecasting Crude Oil Market Volatility: Can The Regime Switching GARCH Model Beat The Single-Regime GARCH Models?", 22 Şubat 2017 tarihinde https://arxiv.org/ftp/arxiv/papers/1512/1512.01676.pdf adresinden erişilmiştir.
  • Zivot, E. ve Wang, J. (2006). "Modelling Financial Time Series with S-PLUS, Second Edition", 20 Temmuz 2017 tarihinde http://faculty.washington.edu/ezivot/econ589/manual.pdf adresinden erişilmiştir.
APA KULA V, BAYKUT E (2017). BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. , 89 - 110.
Chicago KULA Veysel,BAYKUT Ender BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. (2017): 89 - 110.
MLA KULA Veysel,BAYKUT Ender BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. , 2017, ss.89 - 110.
AMA KULA V,BAYKUT E BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. . 2017; 89 - 110.
Vancouver KULA V,BAYKUT E BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. . 2017; 89 - 110.
IEEE KULA V,BAYKUT E "BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi." , ss.89 - 110, 2017.
ISNAD KULA, Veysel - BAYKUT, Ender. "BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi". (2017), 89-110.
APA KULA V, BAYKUT E (2017). BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. Bankacılar, 28(102), 89 - 110.
Chicago KULA Veysel,BAYKUT Ender BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. Bankacılar 28, no.102 (2017): 89 - 110.
MLA KULA Veysel,BAYKUT Ender BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. Bankacılar, vol.28, no.102, 2017, ss.89 - 110.
AMA KULA V,BAYKUT E BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. Bankacılar. 2017; 28(102): 89 - 110.
Vancouver KULA V,BAYKUT E BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi. Bankacılar. 2017; 28(102): 89 - 110.
IEEE KULA V,BAYKUT E "BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi." Bankacılar, 28, ss.89 - 110, 2017.
ISNAD KULA, Veysel - BAYKUT, Ender. "BIST Banka Endeksi'nin (XBANK) Volatilite Yapısının Markov Rejim Değişimi GARCH Modeli (MSGARCH) ile Analizi". Bankacılar 28/102 (2017), 89-110.
Sayfa Oluşturulma Tarihi
23-04-2024 3:4

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları