İMKB Mali Ve Sınai Endeksleri'nin 2002-2010 Donemi İçin Günlük Oynaklığı'nın Karşılaştırmalı Analizi

Abstract

Bu çalısmada ĐMKB Mali(XUMAL) ve Sınai(XUSIN) endeksleri oynaklığı,endeks günlük kapanıs fiyatları ile günlük en düsük ve en yüksek fiyataçısından karsılastırmalı olarak tespit edilmektedir. ĐMKB Sınai endeksinde159 firma yer almaktayken, ĐMKB Mali sektörde 81 firma yer almaktadır. Malisektör ile Sınai sektör arasındaki etkilesim bir çok çalısmada incelenmistir.Yatırımcılar açısından ise oynaklığın tespit edilmesi gelecek yatırımalternatifleri açısından önemlidir. Mali sektör ile Sınai sektör firmalarınınbirbirleri ile etkilesimleri dikkate alındığında endeks bakımından oynaklığınmodellenmesi daha da önem kazanmaktadır. Oynaklığı modelleyebilmek içinsabit ortalama ve varyanslı modeller yeterli olamamaktadır. Bollerslev (1986)tarafından önerilen genellestirilmis ARCH modeli (GARCH) ise varyansınzaman içerisindeki değisimini tahmin edebildiği için tercih edilmistir. Buçalısmada endeksin günlük en düsük ve en yüksek fiyat olgusundan yolaçıkarak fark getirilerinin doğal logaritmasının oynaklığı tespit edilmektedir.Elde edilen bulgulara göre oynaklığı modellemek için GARCH (1,1)uygulanmıs ve serilerin oynaklık kümelenmelerini içermesi ve asimetrikbilginin varlığı ile de TGARCH modeline geçilmistir. TGARCH(1,1) modelininen düsük ve en yüksek fiyat olgusu üzerine elde edilen serinin oynaklığınıtahmin etmede daha basarılı bulunmustur. In this study, daily volatility in ISE financial index (XUMAL) and industrialindex (XUSIN) are determined by examining daily closing price and rangebased data, which is the lowest and highest daily price. Industrial firms arelisted 159 in ISE industrial index while financial firms are listed 81. Theinteraction between financial sector and the industrial sector has been much studied. Determination of volatility is important for investors to decide onfuture investment alternatives. As the interaction of financial sector andindustrial sector firms is considered, the modeling of volatility of the indexbecomes even more important. Constant mean and variance models fallshort of modeling volatility. Generalized ARCH model (GARCH) proposed byBollerslev (1986) is preferred as it helps predicting the change in varianceover time. In this study, volatility is calculated based on the lowest andhighest daily price returns of the index. According to the results, GARCH(1,1) model is efficient in predicting the volatility of the series obtained bythe lowest and highest price. Because of the series contains volatilityclustering and asymmetric information is used threshold GARCH. Accordingto the results TGARCH (1,1) model obtained on a case of the lowest andhighest price volatility in the series are highly efficient.