Hisse senedi getirilerindeki uzun hafıza etkisinin ve volatilitenin belirlenmesi: BRIC ülkeleri üzerine bir uygulama

Abstract

Bu çalışmada, BRIC ülkelerine ait hisse senetleri piyasa endekslerinde uzun hafıza etkisinin ve volatilitesinin varlığının araştırılması amaçlanmıştır. Bu amaçla, 01.07.1997- 30.09.2014 dönemini kapsayan veriler çalışmaya dahil edilmiştir. Çalışmada ARFIMA , FIGARCH ve koşullu değişen varyans modelleri kullanılmıştır. Tezde ilk olarak, hisse senetleri endekslerine ait getiri serilerinin birim kök içerip içermediği klasik birim kök yöntemleri ile belirlenmiştir. Serilerdeki otokorelasyon sorunu NEW-WEST robust yöntemi ile ortadan kaldırılmıştır. p,q ≤ 2 olacak şekilde mümkün tüm durumlar için ARFIMA modelleri denenmiştir. Uygun ARFIMA modeli bulunan getiri serileri FIGARCH sürecine tabi tutulmuştur. Tüm bu uygulamaların sonucunda Çin hisse senedi endeksi olan SSE COMPOSİTE hem uzun hafıza modeline uygun hem de uzun hafızalı FIGARCH(1,d,1) volatilite modeline uygun olduğu belirlenmiştir. RTSI endeksi için en uygun model TARCH(1,1) modelidir. Buna göre modelde asimetrik etki ve kaldıraç etkisi vardır. S&P BSE hisse senedi endeksi için en iyi model EGARCH(1,1) modelidir ve modelde yalnızca asimetri etkisi vardır. IBOVESPA hisse senedi endeksi için ise en uygun model TARCH(1,1)'dir. Modelde hem asimetri hem de kaldıraç etkisi bulunmaktadır.Anahtar kelimeler: Uzun hafıza, Volatilite, BRIC, ARFIMA, FIGARCH, ARCH, GARCH, EGARCH, TARCH

In this study, investigate of effect of long term memory and existance of long term volatility in the stocks of BRIC countries is aimed. For this purpose, data covering the dates between 01.07.1997-30.09.2014(according to Turkish calendar) is included. In this study ARFIMA, FIGARCH and conditional heteroscedasticity models are used. In the thesis, firstly, whether return series of stocks contains unit roots or not is determined using classical unit root methods. Autocorrelation problem in the series is fixed by NEW-WEST robust method. ARFIMA models are tested for all possible cases, in the way that p,q ≤ 2. Those return series that have convenient ARFIMA models were subjected to FIGARCH process. As a consequence of all these applications, it is determined that SSE COMPOSITE, a stock in China, is suitable for both long term memory model and long memory FIGARCH(1,d,1) volatility model. The most convenient model for RTSI index is the TARCH(1, 1) model. According to this, there is asymmetric effect and leverage effect on the model. EGARCH(1,1) model is the most suitable model for S&P BSE stock index and there is only asymmetric effect on the model. The most suitable model for IBOVESPA stock index is TARCH(1,1). There is both asymmetry and leverage effect on the model.Key Words: Long Memory, Volatility, BRIC, ARFIMA, FIGARCH, ARCH, GARCH, EGARCH,TARCH