Forecasting stock prices by using alternative time series models: The case of Istanbul Securities Exchange

Abstract

Öz HİSSE SENEDİ FİYATLARININ ÇEŞİTLİ ZAMAN SERİSİ MODELLERİYLE TAHMİNİ: İstanbul Menkul Kıymetler Borsası Örneği A. ÖZLEM BAŞÇI Yüksek Lisans Tezi, iktisat Bolümü Tez Yöneticisi: Yrd. Doç. Kıvılcım Metin Eylül, 1996 Bu çalışma, çeşitli zaman serisi modellerinin İstanbul Menkul Kıymetler Borsasındaki (IMKB) tahmin performansını karşılaştırmaktadır. İMKB'nin gelişmekte olan piyasa özellikleri gözönüne alınarak, hisse senedi fiyatları; para arzı, enflasyon haddi, faiz haddi, döviz kuru ve kamu açıkları yoluyla tahmin edilmiştir. İlk olarak verilerin zaman serisi özellikleri incelenmiş ve ko-entegrasyon sınaması yapılmıştır. Ardından tek değişkenli ARIMA modelleri,vektor otoregresyonları-her değişkende hem düzey hem de değişkenlerin farkları için- ve hata düzeltme modelleri belirlenmiş ve 1986(1)-1995(12) dönemini kapsayan aylık veriler kullanılarak tahmin gerçekleştirilmiştir. Örneklem dışı tahmin uygulamasına göre, mevsimsellik varsayımında bulunan modellerin performanslarının düşük olduğu, daha yalın olan tek değişkenli ARIMA modelinin daha iyi performansa sahip olduğu bulgusuna ulaşılmıştır. Anahtar Kelimeler: Vektör Otoregresyonu, Mevsimsel Birim Kök, Ko-entegrasyon, Hata Düzeltme Modeli, İstanbul Menkul Kıymetler Borsası(IMKB), Tahmin

ABSTRACT FORECASTING STOCK PRICES BY USING ALTERNATIVE TIME SERIES MODELS : The Case of Istanbul Securities Exchange A. ÖZLEM BAŞÇI MASTER OF ECONOMICS Supervisor:Assist.Prof.Kivilcim Metin September, 1996 This study compares the forecast performance of alternative time series models at the Istanbul Securities Exchange (ISE). Considering the emerging market character istics of ISE, stock prices are estimated by using money supply, inflation rate, interest rate, exchange rate, and government deficits. First the time series properties of the data set are examined and (»integration is tested. Next, univariate ARIMA mod els, VAR's in levels and differences, and error correction models are specified and estimated using monthly data from 1986(1) through 1995(12). According to out- of-sample forecasting exercise it is found that the models assuming the existance of seasonality performes poor, the more parsimonious univariate ARIMA model have better performance than multivariate models. Key Words: Vector Autoregression, Seasonal Unit Root, Cointegration, Error Correction Model, Istanbul Securities Exchange, Forecasting n