OTOREGRESF KOULLU DEEN VARYANS MODELLER:

DVZ KURLARI ZERNE UYGULAMA

Hseyin SONGL

Uzmanlk Yeterlilik Tezi

Trkiye Cumhuriyet Merkez Bankas

Aratrma ve Para Politikas Genel Mdrl
Ankara, Ocak 2010

OTOREGRESF KOULLU DEEN VARYANS MODELLER:

DVZ KURLARI ZERNE UYGULAMA

Hseyin SONGL

Danman
Prof. Dr. Nadir CAL

Uzmanlk Yeterlilik Tezi

Trkiye Cumhuriyet Merkez Bankas

Aratrma ve Para Politikas Genel Mdrl
Ankara, Ocak 2010

NSZ
Bu almann hazrlanmasnda akademik bilgi ve deneyimlerini
benimle paylaan ve tezimin son halini almasnda byk katklar olan tez
danmanm Prof. Dr. Nadir cala teekkr ederim. Ayrca almam
srasnda bana her aamada destek olan eim Fatma bata olmak zere
aileme ve bilgi birikimlerinden ve nerilerinden faydalandm yneticilerim ve
alma arkadalarma teekkr etmeyi bor bilirim.

Hseyin Songl

NDEKLER
Sayfa No
NSZ............................................................................................................ i
NDEKLER.................................................................................................. ii
TABLO LSTES............................................................................................. iv
GRAFK LSTES............................................................................................ v
KISALTMA LSTES....................................................................................... vi
EK LSTES.................................................................................................. viii
ZET.............................................................................................................. ix
ABSTRACT..................................................................................................... x
GR.............................................................................................................. 1
BRNC BLM
TEK DEKENL OTOREGRESF KOULLU DEEN VARYANS
MODELLER................................................................................................... 4
1.1. Otoregresif Koullu Deien Varyans (ARCH) Modeli............................. 4
1.1.1. ARCH(p) Modeli........................................................................... 10
1.1.2. ARCH Modelinin Zayflklar......................................................... 12
1.1.3. ARCH Modelinin Tahmini............................................................ 12
1.2. Genelletirilmi Otoregresif Koullu Deien Varyans (GARCH)
Modeli.................................................................................................... 14
1.3. ARCH/GARCH Modellerinin Uyarlamalar............................................. 17
1.3.1. ARCH-M Modeli........................................................................... 17
1.3.2. IGARCH Modeli........................................................................... 17
1.3.3. EGARCH Modeli.......................................................................... 18
1.3.4. TARCH Modeli............................................................................. 18
1.3.5. PARCH Modeli............................................................................. 19
KNC BLM
OK DEKENL GENELLETRLM OTOREGRESF KOULLU
DEEN VARYANS MODELLER............................................................. 20
2.1. VEC-GARCH Modeli.............................................................................. 22

ii

2.2. BEKK-GARCH Modeli........................................................................... 24

2.3. Matris ssel GARCH Modeli................................................... 25
2.4. Faktr GARCH Modelleri....................................................................... 25
2.5. Koullu Korelasyon GARCH Modelleri.................................................. 27
NC BLM
DVZ KURLARI ZERNE UYGULAMA................................................... 30
3.1. Veri ve statiksel Yap............................................................................ 31
3.1.1. Veri.............................................................................................. 32
3.1.2. Dviz Kuru Getiri Serilerinin Duraanl..................................... 33
3.1.3. Dviz Kuru Getiri Serilerinin Betimleyici statistikleri.................... 35
3.2. Dviz Kuru Getiri Serilerinin Otoregresif Yapsnn Belirlenmesi........... 35
3.3. Dviz Kuru Getiri Serilerinin Otoregresif Koullu Deien Varyans
Sreleriyle Modellenmesi..................................................................... 37
DRDNC BLM
SONU VE NERLER............................................................................... 45
KAYNAKA................................................... 47
EKLER.......................................................................................................... 50

iii

TABLO LSTES
Sayfa No
Tablo 3.1. Dviz Kuru Getiri Serilerinin Duraanlk Testi............................. 34
Tablo 3.2. Dviz Kuru Getiri Serilerinin Betimleyici statistikleri.................... 35
Tablo 3.3. Dviz Kuru Getiri Serilerinin EKK Tahmin Sonular................... 36
Tablo 3.4. Dviz Kuru Getiri Serilerine likin Deien Varyans Testleri...... 37
Tablo 3.5. ABD Dolar Kuruna likin AR(2)-GARCH(1,1) Modeli Tahmin
Sonular...................................................................................... 38
Tablo 3.6. Euro Kuruna likin AR(2)-GARCH(1,1) Modeli Tahmin
Sonular...................................................................................... 39
Tablo 3.7. ABD Dolar Kuruna likin AR(2)-EGARCH(1,1,1) Modeli Tahmin
Sonular...................................................................................... 40
Tablo 3.8. Euro Kuruna likin AR(2)-TARCH(1,1,1) Modeli Tahmin
Sonular...................................................................................... 41
Tablo 3.9. Hata Terimlerine likin Otokorelasyon ve Deien Varyans
Testleri......................................................................................... 41

iv

GRAFK LSTES
Sayfa No
Grafik 3.1. Dviz Kuru Serileri...................................................................... 32
Grafik 3.2. Dviz Kuru Getiri Serileri............................................................. 33
Grafik 3.3. AR(2)-EGARCH(1,1,1) Modelinden Elde Edilen Gnlk ABD
Dolar Kuru Volatilitesi................................................................ 42
Grafik 3.4. AR(2)-TARCH(1,1,1) Modelinden Elde Edilen Gnlk Euro
Kuru Volatilitesi........................................................................... 43

KISALTMA LSTES
ABD

: Amerika Birleik Devletleri

ADF

: oaltlm Dickey-Fuller (Augmented Dickey-Fuller)

AR

: Autoregressive (Otoregresif)

ARCH

: Autoregressive Conditional Heteroskedasticity

(Otoregresif Koullu Deien Varyans)

ARCH-M

: ARCH in Mean (Ortalamada ARCH)

ARMA

: Autoregressive Moving Average (Otoregresif Hareketli

Ortalama)

AUD

: Avustralya Dolar

BEKK-GARCH : BEKK Generalized Autoregressive Conditional

Heteroskedasticity (BEKK Genelletirilmi Otoregresif
Koullu Deien Varyans)
CAD

: Kanada Dolar

CCC-GARCH

: Constant Conditional Correlation GARCH (Sabit Koullu

Korelayon GARCH)

CHF

: svire Frank

DBEKK-GARCH : Diagonal BEKK-GARCH (Kegen BEKK-GARCH)

DCC-GARCH

: Dynamic Conditional Corelation GARCH (Dinamik

Koullu Korelayon GARCH)

DVEC-GARCH : Diagonal VEC-GARCH (Kegen VEC-GARCH)

ECCC-GARCH : Extended Constant Conditional Correlation GARCH
(Geniletilmi Sabit Koullu Korelayon GARCH)
EGARCH

: Exponential GARCH (ssel GARCH)

EGARCH-M

: Exponential GARCH in Mean (Ortalamada ssel GARCH)

EKK

: En Kk Kareler

EUR

: Euro

EVDS

: Elektronik Veri Datm Sistemi

vi

F-GARCH

: Factor GARCH (Faktr GARCH)

FF-GARCH

: Full Factor GARCH (Tam Faktr GARCH)

GARCH

: Generalized Autoregressive Conditional Heteroskedasticity

(Genelletirilmi Otoregresif Koullu Deien Varyans)

GARCH-M

: GARCH in Mean (Ortalamada GARCH)

GBP

: ngiliz Sterlini

GO-GARCH

: Generalized Orthogonal GARCH (Genelletirilmi

Ortogonal GARCH)

GOF-GARCH

: Generalized Orthogonal Factor GARCH (Genelletirilmi

Ortogonal Faktr GARCH)

IGARCH

: Integrated GARCH (Btnleik GARCH)

JPY

: Japon Yeni

ME-GARCH

: Matrix Exponential GARCH (Matris ssel GARCH)

PARCH

: Power ARCH (sl ARCH)

PARCH-M

: Power ARCH in Mean (Ortalamada sl ARCH)

TARCH

: Threshold ARCH (Eik ARCH)

TARCH-M

: Threshold ARCH in Mean (Ortalamada Eik ARCH)

TCMB

: Trkiye Cumhuriyet Merkez Bankas

TRY

: Trk Liras

USD

: United States Dollar (ABD Dolar)

VEC-GARCH

: VEC Generalized Autoregressive Conditional

Heteroskedasticity (VEC Genelletirilmi Otoregresif
Koullu Deien Varyans)

VC-GARCH

: Varying Correlation GARCH (Deien Korelasyon

GARCH)

vii

EK LSTES
Sayfa No
Ek 1. Dviz Kuru Getiri Serilerine likin Otoregresif Koullu Deien
Varyans Modelleri Tahmin Sonular................................................... 51
Tablo 1A. Avustralya Dolarna likin AR(2)-TARCH(2,2,2) Modeli
Tahmin Sonular....................................................................... 51
Tablo 2A. Kanada Dolarna likin AR(2)-TARCH(1,1,2) Modeli
Tahmin Sonular....................................................................... 51
Tablo 3A. svire Frankna likin AR(2)-TARCH(2,2,2) Modeli
Tahmin Sonular....................................................................... 52
Tablo 4A. ngiliz Sterlinine likin AR(2)-EGARCH(2,2,2) Modeli
Tahmin Sonular....................................................................... 52
Tablo 5A. Japon Yenine likin AR(2)-PARCH(2,2,2) Modeli
Tahmin Sonular....................................................................... 53
Ek 2. Gnlk Dviz Kuru Volatiliteleri........................................................... 54
Grafik 1B. AR(2)-TARCH(2,2,2) Modelinden Elde Edilen Gnlk
Avustralya Dolar Kuru Volatilitesi............................................. 54
Grafik 2B. AR(2)-TARCH(1,1,2) Modelinden Elde Edilen Gnlk
Kanada Dolar Kuru Volatilitesi................................................. 54
Grafik 3B. AR(2)-TARCH(2,2,2) Modelinden Elde Edilen Gnlk
svire Frank Kuru Volatilitesi.................................................. 55
Grafik 4B. AR(2)-EGARCH(2,2,2) Modelinden Elde Edilen Gnlk
ngiliz Sterlini Kuru Volatilitesi................................................... 55
Grafik 5B. AR(2)-PARCH(2,2,2) Modelinden Elde Edilen Gnlk
Japon Yeni Kuru Volatilitesi....................................................... 56

viii

ZET
Finansal zaman serilerinde otokorelasyon sorununun yansra
deien varyans sorunu da sk karlalan bir durum olarak gze
arpmaktadr. Bu balamda, finansal zaman serilerinde grlen deien
varyansllk olgusunu temel alan otoregresif koullu deien varyans
modelleri gelitirilmitir. almann ilk iki blmnde srasyla tek deikenli
ve

ok

deikenli

otoregresif

koullu

deien

varyans

modelleri

tantlmaktadr. nc blmde tek deikenli otoregresif koullu deien

varyans modelleri eitli dviz kuru getiri serilerine uygulanarak ulalan
sonular analiz edilmektedir. Drdnc ve son blm ise sonu ve nerileri
iermektedir.
Tek deikenli otoregresif koullu deien varyans modelleri belirli bir
finansal varlk getirisi oynaklnn otonom olarak aklanmasna katkda
bulunurken, ok deikenli otoregresif koullu deien varyans modelleri
eitli finansal piyasalar ve varlklar arasndaki zaman bamlln hesaba
katarak, zmlemeyi bir adm ileriye tamlardr.
Dviz kuru getiri serilerine ilikin uygulama sonular, sz konusu
getiri serilerinin otoregresif koullu deien varyans snf modellemeye
uygun olduklarn gstermitir. Bu erevede, ABD dolar ve Euro getirilerinin
en baarl ekilde srasyla AR(2)-EGARCH(1,1,1) ve AR(2)-TARCH(1,1,1)
sreleriyle modellendikleri belirlenmitir. ncelenen dviz kurlar getirileri ile
varyanslar arasnda anlaml bir iliki bulunamadndan, dviz piyasasndaki
dinamiklerin riskten bamsz olarak iledii sonucuna varlmtr. Dier
yandan, ABD dolar ve Euro dviz kuru getiri serilerinin oynaklk yaplarnn
literatrdeki birok almann gsterdii gibi nemli derecede asimetrik
olduu grlmtr.
Anahtar

Kelimeler:

Tek

Deikenli

ARCH/GARCH, Dviz Kuru Oynakl

ix

ARCH/GARCH,

ok

Deikenli

ABSTRACT
Not only the autocorrelation problem but also the heteroskedasticity
problem is prevalent in financial time series. In this context, autoregressive
conditional heteroskedasticity models are developed which are based on the
heteroskedasticity phenomenon in financial time series. Univariate and
multivariate

autoregressive

conditional

heteroskedasticity

models

are

introduced in the first two chapters of this paper. In the third chapter,
univariate autoregressive conditional heteroskedasticity models are applied
to various foreign exchange rate series and results are analyzed. Fourth and
the last part includes the conclusion and suggestions.
While

univariate

autoregressive

conditional

heteroskedasticity

models make contribution to explain a certain financial asset return volatility

as autonomously, multivariate autoregressive conditional heteroskedasticity
models have gone a step further by considering the time dependency
between various financial markets and assets.
Application results regarding foreign currency return series, indicated
that mentioned return series are appropriate to autoregressive conditional
heteroskedasticity class modelling. In this regard, it is determined that US
Dollar

and

Euro

returns

are

mots

successfully

modelled

by

AR(2)-EGARCH(1,1,1) and AR(2)-TARCH(1,1,1) respectively. Due to there is

not any relation between analyzed foreign currency returns and variances, it
is decided that dynamics in foreign currency market operates independently
from risk. On the other hand, it is seen that volatility structures of USD and
Euro foreign currency return series are mostly asymmetric as many other
studies indicate in the literature.
Keywords: Univariate ARCH/GARCH, Multivariate ARCH/GARCH, Foreign
ExchangeVolatility

GR
Otoregresif koullu deien varyans (ARCH) modellerinin tarihi greli
olarak ksa olmasna karn, ilgili literatr bu ksa tarih iinde gzalc bir
hzda gelimitir. Englein orijinal ARCH modeli ve bu modelin eitli
uyarlamalar

birok

lkenin

ekonomik

ve

finansal

zaman

serilerine

uygulanmtr.
ARCH modellerinin bulunmasndan nce de deien varyans
sorununun farknda olunmasna karn, belirli bir modele dayanmayan
sreler kullanlarak sorunun stesinden gelinmeye allmtr. Mandelbrot
(1963) varyansn zaman iinde tekrarlanan tahminlerini, Klien (1977) ise on
dnemlik hareketli rnek ortalamasnn be dnemlik hareketli varyanslarn
kullanarak deien varyans sorunuyla baetmek istemitir.
Finansal zaman serileri birtakm genel zellikler tamaktadr.
Finansal varlk fiyatlarnn genel olarak duraan olmad, varlk getirilerinin
ise duraan olduu ve otokorelasyon zellii gstermedii grlmtr.
Finansal varlk getirileri leptokurtik olma eilimindedir. Sz konusu getiri
dalmlar normal dalma gre daha basktr ve daha geni kuyruklara
sahiptir. Bu durum finansal zaman serilerinin byk deiimler gstermesi
olaslnn normal dalma gre daha yksek olmasna iaret etmektedir.
Finansal varlk getirilerinde sklkla grlen bir dier olgu da oynaklk
kmelenmesidir. Getiri serilerinde byk deiimlerin byk deiimleri,
kk deiimlerin ise kk deiimleri takip ettii grlmektedir. Esas
itibaryla, kaln kuyruk ve oynaklk kmelenmesi olgular birbirleriyle ilikilidir.
Son olarak, finansal piyasalarda piyasa katlmclar iyi ve kt haberler
karsnda farkl hareket etmektedirler. Kt haberler iyi haberlere gre daha
fazla oynaklk yaratmaktadr. Dolaysyla, finansal varlk fiyatlarndaki
deiimin yn oynaklk zerinde asimetrik bir etki yapmaktadr.

Engle (1982) tarafndan ne srlen ARCH modeli finansal varlk

getirilerindeki ampirik bulgular hesaba katan ilk ekilsel model olarak
tarihteki yerini almtr. ARCH modeli sadece finansal varlk getirilerindeki
ampirik bulgularn bir ksmn hesaba katt iin deil, ayn zamanda farkl ve
ok sayda alanda kendisine uygulama alan bulduu iin de deer
tamaktadr. rnein, varlk fiyatlamas alannda kullanld gibi, faiz
oranlarnn vade yapsn lmede, opsiyonlar fiyatlandrmada ve risk primini
modellemede de kullanlmtr. Makroekonomi alannda, ARCH modeli,
gelimekte olan lkelerin bor portfylerini oluturmada, enflasyonist
belirsizliin llmesinde, dviz kuru belirsizlii ile ticaret arasndaki ilikinin
incelenmesinde, merkez bankas mdahelelerinin etkilerinin aratrlmasnda
ve

makroekonomi

ile

hisse

senedi

piyasas

arasndaki

ilikinin

tanmlanmasnda baarl bir ekilde uygulanmtr.

Bollerslev (1986), koullu varyans ARCH modelinden farkl olarak
otoregresif

hareketli

ortalama

(ARMA)

sreci

olarak

modelleyerek

Genelletirilmi Otoregresif Koullu Deien Varyans (GARCH) modelini

ortaya koymutur. GARCH modeli parametre tutumluluu asndan ARCH
modeline tercih edilmektedir. Engle ve dierleri (1987) koullu varyans,
ortalama denklemine aklayc bir deiken olarak dahil ederek Ortalamada
Otoregresif Koullu Deien Varyans (ARCH-M) modelini gelitirmilerdir.
ARCH-M modeli finans teorisinde nemli bir yer tutan belirsizlik ile getiri
arasndaki ilikiyi snamak asndan nem tamaktadr.
Nelson (1991) finansal piyasalarda gzlemlenen asimetrik oynaklk
yapsn aklamak zere ssel GARCH (EGARCH) modelini gelitirmitir.
Bu modelde, koullu varyans maruz kalnan okun sadece byklne
deil, ayn zamanda iaretine bal olarak deiebilmektedir. Asimetrik
oynaklk yapsn dikkate alan bir baka nemli model Zakoian (1994)
tarafndan ne srlen Eik ARCH (TARCH) modelidir.
Tek deikenli ARCH/GARCH yaklam eitli piyasalar ve varlklar
arasndaki koullu varyans ve kovaryanslar arasndaki zaman bamlln
dikkate almadndan eletirilmektedir. Sz konusu zaman bamlln
aklamak zere, Bollerslev ve dierleri (1988) tek deikenli ARCH/GARCH

modellerini Vec parametrizasyonu ad altnda ok deikenli modellere

geniletmilerdir. VEC-GARCH modeli, ok fazla sayda parametre tahmini
gerektirdiinden ve kovaryans matrisinin pozitif tanmll her zaman
salanamadndan uygulanabilirlik asndan sorunlar tamaktadr.
VEC-GARCH modeli, yaps itibaryla kovaryans matrisinin pozitif
tanmllnn

saland

bir

modele

dntrlebilmektedir.

Bu

dntrlm model, Engle ve Kroner (1995)de tanmland ekliyle

BEKK-GARCH modeli olarak bilinmektedir.
Engle ve dierleri (1990), koullu korelasyon matrisinin temel
faktrler

tarafndan retildii Faktr GARCH (F-GARCH) modelini ortaya

koymutur.

Bollerslev

(1990),

koullu

korelasyonlarn

sabit

olduu

durumlarda, tahmin edilecek parametre saysnn olduka azald ve tahmin

srecinin

olduka

sadeletii

Sabit

Koullu

Korelasyon

GARCH

(CCC-GARCH) modelini nermitir.

Bu almann birinci blmnde tek deikenli koullu deien
varyans modelleri, ikinci blmnde ise ok deikenli koullu deien
varyans modelleri literatr zerinde durulacaktr. nc blmde, eitli
dviz kuru getiri serilerinin oynaklk yapsnn ARCH tipi modellemeye
uygunluu aratrlacak ve sz konusu getiri serileri tek deikenli koullu
deien varyans sreleriyle modellenecektir. Drdnc ve son blmde ise
elde edilen sonular zetlenecektir.

BRNC BLM
TEK DEKENL OTOREGRESF KOULLU DEEN VARYANS
MODELLER
Belirsizlik ve risk kavramlar modern ekonomi teorisinin merkezinde
yer almaktadr. Deien varyans sorunu genel olarak yatay-kesit verilerinde
ortaya kan bir sorun olarak bilinmekle birlikte, dviz kuru, faiz oran ve hisse
senedi fiyat gibi finansal zaman serilerinin tahmin edilmesini amalayan
ekonometrik modellerde de hata varyansnn zaman iinde deiebildii
gzlemlenmitir. Bununla birlikte, geleneksel zaman serisi modellerinde hata
varyansnn zaman iinde deimedii varsaylmaktadr.
Geleneksel bir zaman serisi modelinde deien varyans sorunu
olmas durumunda, En Kk Kareler (EKK) tahmin edicisi sapmaszlk ve
tutarllk zelliklerini korumaktadr. Buna karn, deien varyans sorunu
ieren bir modelde etkinlik zellii yitirilmekte ve bunun sonucu olarak da
parametre tahminleri istatistiki adan anlamsz hale gelebilmektedir. Sz
konusu sorunu ortadan kaldrmaya ynelik olarak, varyans ve kovaryansn
zaman iinde deimesine izin veren modeller nerilmitir. Engle (1982) hata
teriminin varyansn nceki dnem hata terimlerinin kareleri ile ilikilendiren
Otoregresif Koullu Deien Varyans (ARCH) modelini ne srmtr.
1.1. Otoregresif Koullu Deien Varyans (ARCH) Modeli
Engle (1982), literatrdeki yaygn varsaymn aksine zaman serisi
modellerindeki

hata

terimlerinin

varyansnn

sabit

olmadn

baz

makroekonomik verileri analiz ederek kantlamtr. Engle, enflasyon

modellerinde byk ve kk tahmin hatalarnn kmeler halinde ortaya
ktn ve bunun sonucu olarak da tahmin hatalarnn varyansnn nceki
dnem hata terimlerinin byklne bal olduunu tespit etmitir. Engle,
zaman serisi verilerinde karlalan ve zellikle ngrlerde kendisini

gsteren

otokorelasyonun

ARCH

olarak

isimlendirilen

bir

teknikle

modellenmesi gerektiine iaret etmitir.

ARCH modeli geleneksel zaman serisi modellerindeki sabit varyans
varsaymn terkederek, hata terimi varyansnn nceki dnem hata
terimlerinin karelerinin bir fonksiyonu olarak deimesine imkan tanmaktadr.
Zaman serilerinde gzlemlenen oynakl modellemenin yollarndan biri
olarak, oynaklkla ilikili bir bamsz deiken tanmlamak ve bu deiken
araclyla oynakl tahmin etmek n plana kmaktadr. Oynakln
bamsz bir deiken tanmlamak yoluyla modellendii durumu yanstan
basit bir rnek olarak,
y t +1 = t +1 xt

(1.1)

denklemi ele alnmtr. Bu denklemde, t+1 varyans 2 olan saf hata terimi
iken, xt bamsz bir deiken olarak tanmlanmtr. Eer, x zamandan
bamsz olarak sabit bir deer alrsa, {yt} serisi sabit varyansa sahip bir
beyaz grlt sreci olmaktadr. Bununla birlikte, yt+1in koullu varyans,

Var y t +1 xt = xt2 2

(1.2)

xtnin gerekleen deerinden bamsz deildir. Bu durumda, xt ne kadar

bykse yt+1in koullu varyans o kadar byk olacaktr. Ek olarak, {xt}
serisinin ardk deerleri pozitif isel bantl iseler, {yt} serisi de pozitif isel
bantl olacaktr. Bu ekilde, {xt} serisi {yt} serisindeki oynakln
aklanmasna yardmc olacaktr. Ancak, bu yaklamn eletiri alan bir
sakncas deien varyans iin spesifik bir sebep varsaym olmasdr. Makul
grnen birok aday arasndan birini tercih edip, ilgili deikendeki oynakl
sadece tercih edilen bamsz deikenle ilikilendirmek her zaman mmkn
olmamaktadr.
Engle (1982) bu sakncay gidermek zere, herhangi bir serinin
ortalamasn ve varyansn eanl olarak modellemenin olanakl olduunu
gstermitir. ARCH modeline ulamak iin,
y t = 0 + 1 y t 1 + t

(1.3)

eklindeki duraan bir otoregresif model tahmin edilmektedir. Bu durumda,

yt+1in koullu tahmini,
t ( y t +1 ) = 0 + 1 y t

(1.4)

olmaktadr. Eer bu koullu ortalamay yt+1i tahmin etmek iin kullanrsak,

tahmin hatas varyans,

( )

t ( y t +1 0 1 y t ) = t t2+1 = 2
2

(1.5)

olarak ifade edilmektedir.

Dier yandan yt+1in koulsuz tahmini ve varyans ise srasyla,
( y t +1 ) = 0 (1 1 )

(1.6)

} [(

) ] = (1 )

[ y t +1 0 (1 1 )] = t +1 1 t + 12 t21 + L
2

2
1

(1.7)

eklinde gsterilmektedir.
Grld zere, koulsuz tahmin koullu tahmine gre daha byk
bir varyansa sahiptir. Dolaysyla, bu dnem ve bilinen gemi dnem
gereklemelerini hesaba katt iin koullu tahmin daha kk varyansa
sahip olmakta ve bu balamda tercih edilir hale gelmektedir.
Benzer ekilde, {t} serisinin varyans sabit deilse, varyanstaki belirli
bir

yndeki

srekli

hareketlilii

tahmin

etmek

iin

ARMA

modeli

kullanlabilmektedir. Bu duruma rnek olarak, { t }nin,

y t = 0 + 1 y t 1 + t

(1.8)

modelinin artk serisi olduunu varsaylrsa, yt+1in koullu varyans,

Var y t +1 y t = t ( y t +1 0 1 y t ) = t t2+1
2

olmaktadr.

(1.9)

Bu noktada, denklem (1.9)daki koullu varyansn sabit olmayp

zaman iinde deitii bir yap kurmak gerekmektedir. Koullu varyans
tahmin edimi artk karelerini kullanarak bir AR(p) sreci olarak modellemek,
bu

amaca

ynelik

olarak

kullanlabilecek

basit

bir

strateji

olarak

deerlendirilmektedir. Tahmin edilmi artklarn karesi, t bir beyaz grlt

sreci olmak zere,

t2 = 0 + 1t21 + 2 t22 + L + p t2 p + t

(1.10)

eklinde bir AR(p) sreci olarak ifade edilmektedir. Modeldeki sabit deer
dndaki parametreler sfr olsayd, tahmin edilen varyans 0 sabit deerine
eit olurdu. Dier durumlarda ise, ytnin koullu varyans denklem (1.10)daki
otoregresif sre erevesinde belirlenecektir. Bu erevede, bir dnem
sonraki koullu varyans,

t t2+1 = 0 + 1t2 + 2 t21 + L + p t2+1 p

(1.11)

otoregresif sreci kullanlarak tahmin edilmektedir. Bu sebeple, denklem

(1.10), ARCH(p) modeli olarak adlandrlmaktadr.
Esas itibaryla, denklem (1.10)daki dorusal tanmlama yerine vtyi
arpmsal bir hata terimi olarak tanmlamak daha kolay incelenebilir bir yap
ortaya karmaktadr. Engle (1982) arpmsal koullu deien varyans
tipindeki modellere rnek olarak,

t = t o + 1 t21

(1.12)

eklindeki basit modeli nermitir. Burada, vt varyans bire eit olan bir beyaz
grlt sreci olarak tanmlanmakta olup, vt ve t-1 birbirlerinden bamszdr.
Ayrca, 0>0 ve 0<1<1 kstlamalar altnda 0 ve 1 sabit deerler
almaktadrlar.
{t} serisinin zellikleri incelendiinde, vt saf bir hata terimi ve t-1den
bamsz olduu iin, {t} serisindeki elemanlarn herbirinin sfr ortalamaya
sahip ve isel bantsz olduklarn gstermek zor olmamaktadr.

Evt=0 olduu iin, tnin koulsuz beklentisi,

t = t ( o + 1 t21 )

1/ 2

] = (
t

+ 1 t21 )

1/ 2

=0

(1.13)

olmaktadr. Benzer ekilde tnin koulsuz varyans,

[ (

)]

t2 = t2 0 + 1 t21 = t2 0 + 1 t21

(1.14)

eklinde hesaplanmaktadr. Burada, vtnin varyans bire eit ve tnin

koulsuz varyans ile t-1in koulsuz varyans ayn olduu iin, koulsuz
varyans,
t2 = 0 (1 1 )

(1.15)

olarak hesaplanmaktadr. Dolaysyla, koulsuz ortalama ve varyans hata

srecinden etkilenmemekte ve sabit deerler almaktadrlar.
tnin koullu beklentisi, vt ve t-1 birbirlerinden bamsz ve vtnin
beklenen deeri sfr olduu iin, koullu beklenti gibi sfr deerini
almaktadr.

t t 1 , t 2 ,K = t 0 + 1 t21

1/ 2

=0

(1.16)

Bununla birlikte, tnin koullu varyans sabit bir deer olmaktan kp,
kendisinin bir dnem nce gereklemi olan deerine bal hale
gelmektedir. vtnin varyans bire eit olduu iin, tnin koullu varyans
t2 t 1 , t 2 , K = 0 + 1 t21

(1.17)

eklinde hesaplanmaktadr. Denklem (1.16)daki koullu varyans birinci

sradan bir otoregresif sre takip etmektedir. Koullu varyansn negatif
deerler almasn engellemek iin 0 ve 1 katsaylarn kstlamak
gerekmektedir. Bu dorultuda, 0 ve 1 katsaylar pozitif olmak zorundadr.
Ayrca, otoregresif srecin duraanln salayabilmek iin 1 katsaysn
0<1<1 eitsizliini salayacak ekilde snrlandrmak gerekmektedir.

Sonu olarak, ARCH modelinde koullu ve koulsuz ortalamann

sfra eit olduu bir hata yaps sz konusudur. Ayrca, {t} serisi isel
bantl olmamasna karn hata terimleri ikinci momentleri araclyla ilikili
olduklar iin birbirlerinden bamsz deildirler. Koullu varyansn kendisi
koullu heteroskedastik hatalardan meydana gelen otoregresif bir sretir. Bir
dnem nce gerekleen hata terimi mutlak deer olarak sfrdan ne kadar
bykse, tnin koullu varyans da o kadar byk olmaktadr.
Gelinen bu noktada, denklem (1.12)deki hata yapsnn {yt} serisini
nasl etkiledii zerinde durulacaktr.
y t = a 0 + a1 y t 1 + t

(1.18)

{yt} serisinin koullu ortalamas ve varyans srasyla,

t 1 y t = a 0 + a1 y t 1

(1.19)

Var y t y t 1 , y t 2 ,K , = t 1 ( y t a 0 a1 y t 1 )
= t 1 ( t )

(1.20)

= 0 + 1 ( t 1 )

olarak ifade edilmektedir. 1 ve t21 deerleri negatif olamayaca iin ytnin

koullu varyans 0dan kk olamaz. t-1in sfr olmayan deerleri iin ytnin
koullu varyans 1 katsays ile pozitif iliki iindedir.
Denklem (1.17) zlp beklenen deeri alndnda,

y t = a 0 (1 a1 ) + a1i t i

(1.21)

i =0

elde edilmektedir. Burada, btn t deerleri iin tnin beklenen deeri sfr
olduu iin, ytnin koulsuz beklentisi,
y t = a 0 (1 a1 )

(1.22)

olmaktadr. Sfr dndaki btn i deerleri iin Ett-i=0 olduundan, ytnin

koulsuz varyans

Var ( yt ) = a12i var( t i )

(1.23)

i =0

olarak elde edilmektedir. tnin koulsuz varyansnn sabit olduu hesaba

katldnda,

[(

Var ( yt ) = [ 0 (1 1 )]1 1 a12

)]

(1.24)

ifadesine ulalmaktadr. Ak olarak grlmektedir ki, {yt} serisinin varyans

1 ve a1 parametrelerinin mutlak deeriyle artan bir iliki iindedir.
Dolaysyla, ARCH hata sreci dnemler boyunca gzlenen oynakl
tek-deikenli yap iinde modellemek iin elverili bir yntem olarak n
plana kmaktadr.
1.1.1. ARCH(p) Modeli
Dorusal ARCH(p) modelinde (Engle, 1982) koullu varyans nceki
dnem hata terimi karelerinin dorusal bir fonksiyonu olarak,
Rt = X t + t

(1.25)

t2 = + i t2i

(1.26)

i =1

eklinde

ifade

edilmektedir.

Sz

konusu

modelde,

(1.25)

ortalama

denklemini, (1.26) ise varyans denklemini gstermektedir. Doal olarak, bu

modelin tanml olabilmesi ve koullu varyansn pozitif deer alabilmesi iin
modeldeki parametrelerin, w>0 ve 10,...,p0 koullarn salamas
gerekmektedir.
Denklem (1.26)daki ARCH (p) modeli, t t2 t2 tanmlamas
altnda,
p

t2 = + i t2i + t

(1.27)

i =1

10

eklinde yazlabilmektedir. Burada, Et-1(vt)=0 olduu iin, model esas olarak

hata terimlerinin karelerini ieren bir AR(p) modeline denk dmektedir. Bu
durumda koulsuz varyans,

Var ( t ) = 2 = (1 1 ... p )

(1.28)

olacandan, otoregresif koullu varyans sreci ancak pozitif otoregresif

parametrelerin toplamnn birden kk olmas durumunda kovaryans
duraan olacaktr.
ARCH srecinde hata terimlerinin isel bantl olmasalar dahi,
zaman boyunca bamsz olmadklar ak olarak grlebilmektedir. Ampirik
bulgulardan yola karak, finansal varlk getirilerinin zellikleri hakknda
yaplan genellemelerle uyumlu olarak, ARCH(p) modelinde hata teriminin
koullu varyans nceki dnemlerdeki hata terimleri byklklerinin mutlak
deerinin artan bir fonksiyonudur. Dolaysyla, iaretinden bamsz olarak
byk hatalar byk hatalar takip ederken, kk hatalar da kk hatalar
izlemektedir.
Dier yandan, ortalama denklemindeki standart hale getirilmi
hatalarn zamandan bamsz olduu varsaylrsa, tnin koulsuz dalm
vtnin dalmna gre daha kaln kuyruklara sahip olmaktadr.
rnein, koullu olarak normal dalan hata terimleri ieren ARCH(1)
modeli iin, 3 12 < 1 olduunda, hata terimi dalmnn baskl,
( t4 ) / ( t2 ) 2 = 3(1 12 ) /(1 3 12 )

(1.29)

eklinde hesaplanmaktadr. 3 12 1 olduunda ise hata terimi dalmnn

baskl,
( t4 ) / ( t2 ) 2 =

(1.30)

olacaktr ki her iki deer de normal dalmn basklnn ald deer olan
ten byktr.

11

1.1.2. ARCH Modelinin Zayflklar

ARCH modeli varlk getirilerinde grlen birtakm ampirik bulgular
yakalamasna ve bu erevede oynakln tahmin edilmesi iin parametrik bir
yap nermesine karn, nemli birtakm zayflklara da sahip bulunmaktadr
(Tsay, 1986). Sz konusu zayflklar aadaki gibi sralanmaktadr:
i. nceki dneme ait oklar modelde kareleri alnmak suretiyle
yer aldndan, pozitif ve negatif oklarn oynaklk zerinde ayn
etkiye yol at varsaylmaktadr. Bununla birlikte, gerek hayatta
finansal varlk fiyatlarnn negatif ve pozitif oklara asimetrik karlk
verebildii bilinmektedir.
ii. ARCH modelindeki

katsaylar ok

kat

kstlara

tabi

bulunmaktadr.
iii. ARCH modeli finansal zaman serilerindeki deiimlerin
kaynann anlalmasna herhangi bir yeni katk yapmamaktadr,
sadece koullu varyansn nasl davrandnn belirlenmesi amacna
ynelik olarak mekanik bir yol nermektedir.
iv. ARCH modelleri finansal getirilere gelen byk oklara
yava tepki verdiinden, finansal zaman serilerinin oynakln
olduundan daha byk ngrebilmektedir.
1.1.3. ARCH Modelinin Tahmini
Normal dalm varsaym altnda herhangi bir ARCH(p) modelinin

olabilirlik fonksiyonu, = ( , 1 ,K, m ) ve

f 1 ,K, p

ortak olaslk

dalm fonksiyonu olmak zere,

T

f 1 ,K, T =

t = p +1

2
exp t 2
2 t2
2 t
1

f 1 ,K, p

12

(1.31)

eklinde ifade edilmektedir. rneklem yeteri kadar byk olduunda

f 1 ,K, p

olabilirlik fonksiyonundan karlmakta ve koullu olabilirlik

fonksiyonu,
2
exp t 2
2 t2
2 t
1

f p +1 ,K , T , 1 ,K , p =

t = p +1

(1.32)

haline gelmektedir. Koullu olabilirlik fonksiyonununu maksimize etmek

amacyla logaritmasn alndnda,
l p +1 ,K , T , 1 ,K , p =
1
1
ln t2
2
2

( )

eklindeki

koullu

2 ln(2 )
1

t = p +1

2
t
2
t

log-olabilirlik

fonksiyonu

elde

(1.33)

edilmektedir.

Bu

fonksiyondaki ilk terim herhangi bir parametre iermediinden, olabilirlik

fonksiyonu,
T
1
1 t2
l p +1 ,K , T , 1 , K , p = ln t2 +

2 t2
t = p +1 2

( )

(1.34)

haline gelmektedir.
Baz uygulamalarda vtnin normal dalma gre daha kaln
kuyruklara sahip olan t-dalm izlediini varsaymak daha doru sonular
vermektedir. xnn serbestlik derecesine sahip bir

t dalm olduu

varsayldnda, >2 iin, Var(x)=/( -2) olmaktadr.

t =

/ ( 2 )

eklinde tanmlandnda, vtnin olaslk younluk

fonksiyonu, (x) Gamma fonksiyonu ve >2 olmak zere,

(( + 1) / 2 )

2
1 + t
f t =
( / 2 ) ( 2 ) 2

13

( +1) / 2

(1.35)

haline gelmektedir. t=tvt olduundan tnin koullu olabilirlik fonksiyonu,

Ap=(1,2,...,p) olmak zere,
T

f p +1 ,K, T , A p =

t = p +1

t2
1
+

2
( 2) t

(( + 1) / 2)

( / 2) ( 2) t

(1.36)

( +1) / 2

eklinde ifade edilmektedir. Eer t dalmnn serbestlik derecesi nceden

belirlenmise, koullu log-olabilirlik fonksiyonu,
l p +1 ,K , T , A p

+ 1
t2

=
ln1 +
2
t = p +1
( 2 ) t
2
T

( )

1
+ ln t2
2

(1.37)

haline gelmektedir.
1.2. Genelletirilmi Otoregresif Koullu Deien Varyans (GARCH)
Modeli
ARCH(p) modelinin ampirik uygulamalarnda gecikmeler ok gerilere
gidebildiinden ok fazla sayda parametre tahmin edilmesi gerekmektedir.
Bu sakncay giderebilmek iin, Bollerslev (1986) Genelletirilmi Otoregresif
Koullu Deien Varyans (GARCH) modelini ortaya atmtr.
Bu ereevede, GARCH(p,q) modeli,
Rt = X t + t

(1.38)

t = t t

(1.39)

eklinde tanmlanmaktadr. Bu tanmlamada, vt ortalamas sfr, varyans bire

eit olan beyaz grlt sreci olarak ifade edilmekte olup vt ve tnin
gecikmeli deerleri birbirlerinden bamsz kabul edilmektedir. Sz konusu
modelde koullu varyans,
p

i =1

j =1

t2 = + i t2i + j t2 j + ( L) t21 + ( L) t21

14

(1.40)

eklinde gsterilmektedir. GARCH(p,q) modelindeki koullu varyansn tanml

olabilmesi

iin

i0,

w>0,

i0

ve

max( q , p )

i =1

( i + i ) < 1

koullarnn

salanmas gerekmektedir. Son kstlama, tnin koulsuz varyansnn sonlu

olduunu, koullu varyansnn ise zaman iinde deitiini ima etmektedir.
GARCH modelinin zelliklerini anlamak iin, t = t2 t2 olarak tanmlanp,
denklem (1.40) yeniden dzenlenirse,

t2 = +

max( p , q )

(
i =1

+ i ) t2i + t j t j

(1.41)

j =1

eklindeki gsterim elde edilmektedir ki sz konusu denklem t2 iin bir

ARMA yaps ima etmektedir. ARMA modelinin koulsuz ortalamas
kullanlarak,

( )

t2 =

1 i =1

max( p , q )

(1.42)

( i + i )

elde edilmektedir.
GARCH modellerinin en basit hali olan GARCH(1,1) modeli zerinde
younlamak yoluyla sz konusu modellerin zayf ve gl olduu yanlar
grlebilmektedir. GARCH(1,1) modelinde varyans denklemi, 01, 11 ve
(1+ 1)<1 kstlamalar altnda,

t2 = + 1 t21 + 1 t21

(1.43)

eklinde gsterilmektedir.
lk olarak, t21 ve t21 ne kadar byk deerler alrsalar t2 de o
kadar byk olacaktr. Bu durum finansal zaman serilerinde gzlemlenen
balca zelliklerden biri olan oynaklk kmelenmesi olgusuna iaret
etmektedir.
kinci olarak, 1 2 12 ( 1 + 1 ) > 0 ise,
2

15

( )
[( )]
t4
2
t

3 1 ( 1 + 1 )

1 ( 1 + 1 ) 2 12
2

>3

(1.44)

olmaktadr ki bu durum ARCH modellerinde olduu gibi GARCH(1,1)

modelinde de hata teriminin dalmnn normal dalma gre daha kaln
kuyruklara sahip olduunu gstermektedir.
nc olarak, model oynakln zaman iinde deiimini gsteren
basit bir parametrik fonksiyon salamaktadr. GARCH modeli parametre
tutumluluu asndan ARCH modeline tercih edilmektedir.
ARMA modeline benzer yntemler kullanlarak GARCH modeli
tahminlerine ulalabilmektedir. GARCH(1,1) modelinin bir dnem sonraki
ngrs,

h2 (1) = + 1 h2 + 1 h2

(1.45)

olmaktadr. Modelin l dnem sonraki ngrs ise,

h2 (l ) =

1 ( 1 + 1 )l 1
l 1
+ ( 1 + 1 ) h2 (1)
1 1 1

(1.46)

olmaktadr. (1+ 1)<1 koulu altnda,

lim h2 (l ) =
l

1 1 1

(1.47)

olduundan, GARCH(1,1) modelinin koullu varyans tahmin ufku sonsuz

olduunda koulsuz varyansa yaknsamaktadr.
GARCH(p,q) modeli, varyans denklemine dsal ya da nceden
belirlenmi deikenlerin eklenmesi yoluyla,
p

i =1

j =1

t2 = + i t2i + j t2 j + t
eklinde de kurulabilmektedir.

16

(1.48)

1.3. ARCH/GARCH Modellerinin Uyarlamalar

Bu ksmda ARCH/GARCH modelleri uyarlamalarndan srasyla
ARCH-M, IGARCH, EGARCH, TARCH ve PARCH modelleri incelenecektir.
1.3.1. ARCH-M Modeli
Finans teorisi beklenen getiri ile varyans arasnda ak bir pozitif iliki
olduunu iddia etmektedir. Bu ilikiyi dikkate alacak ekilde gelitirilen
Ortalamada ARCH (ARCH-M) modelinde (Engle ve dierleri, 1987) koullu
varyans ya da standart sapma ortalama denklemine aklayc deiken
olarak dahil edilmektedir. Bu model daha ok finansal varlk getirisinin ilgili
varln

beklenen

riskiyle

ilikili

olduu

finansal

uygulamalarda

kullanlmaktadr. Tahmin edilen beklenen risk katsays , risk-getiri ilikisinin

bir lt olarak deerlendirilmektedir. ARCH-M modeli,
Rt = X t + t2 + t

(1.49)

t2 = + t21 + t21

(1.50)

eklinde

gsterilmektedir.

Bu

modelin

iki

farkl

biiminde

ortalama

denklemine srasyla koullu standart sapma ve koullu deien varyansn

logaritmas aklayc deikenler olarak eklenmektedir.
Rt = X t + t + t

(1.51)

( )

Rt = X t + log t2 + t

(1.52)

1.3.2. IGARCH Modeli

GARCH(p,q) modeli (1.27) denkleminde olduu gibi yeniden
dzenlendiinde,

t2 = + [ ( L) + ( L)] t21 ( L)vt 1 + vt

eklinde

gsterilebilmektedir.

Bu

denklem

(1.53)
esas

olarak

t2 iin

bir

ARMA(max(p,q), p) modeli tanmlamaktadr. Bu modelin kovaryans duraan

17

olabilmesi, (x)+(x)=1 polinomunun kklerinin birim emberin dnda

olmalarna bal bulunmaktadr. Yksek frekansl finansal verilerle yaplan
birok ampirik uygulamada (1)+(1) toplam bire ok yakn kmaktadr. Bu
durum Btnleik GARCH (IGARCH) olarak adlandrlan modelin Engle ve
Bollerslev (1986) tarafndan gelitirilmesine ampirik olarak dayanak tekil
etmitir. IGARCH snf modellerde [(L)+(L)] polinomu birim kke sahip
olduundan, koullu varyansa gelen bir ok kalc olmakta ve gelecek dnem
tahminlerinin yaplmasndaki nemini uzun bir sre boyunca korumaktadr.
1.3.3. EGARCH Modeli
GARCH modeli baarl bir ekilde finansal varlk getirilerinde
gzlemlenen ampirik bulgular olan kaln kuyruk ve oynaklk kmelenmesi
olgularn yakalamaktadr. Bununla birlikte, GARCH modelindede koulsuz
varyans gecikmeli hata terimlerinin iaretlerinden bamsz olarak sadece
byklklerinin bir fonksiyonu olarak tanmlandndan, GARCH sreci
varyans yapsndaki asimetriyi yakalamakta baarsz kalmaktadr. Nelson
(1991) oynaklk yapsndaki asimetriyi hesaba katacak ekilde, koullu
varyansn, gecikmeli hata terimlerinin hem byklkleri hem de iaretleri
dikkate

alnarak

modellendii

ssel

GARCH

(EGARCH)

modelini

gelitirmitir. EGARCH modelinde koullu varyans denklemi,

1

p
q

ln( ) = + 1 + i Li 1 j L j {z t 1 + [ z t 1 z t 1 ]}
i =1
j =1

2
t

(1.54)

eklinde gsterilmektedir. Bu modelde parametresinin istatistiki olarak

anlaml kmas oynaklk yapsndaki asimetriyi gstermektedir.
1.3.4. TARCH Modeli
Asimetrik etkileri dikkate alan bir baka modelde, koullu deien
varyans denlemi,
p

t = + i+ ( t i > 0 ) t i + i ( t i 0 ) t i
i _1

18

]+
q

j =1

t j

(1.55)

eklinde kurulmaktadr. Bu formlasyonda =1 alndnda, Zakoian (1994)

tarafndan ortaya atlan Eik ARCH (TARCH) modeline ulalmaktadr.
TARCH modelinde iyi ve kt haberler koullu varyans zerinde farkl etkilere
sahiptir.
1.3.5. PARCH Modeli
Oynaklk kmelenmesi olgusunu yakalamak iin Taylor (1986) ve
Schwert (1989) koullu standart sapmay, hata terimlerinin gecikmeli mutlak
deerlerinin bir dalm olarak,
p

i =1

j =1

t = + i t i + j t j

(1.56)

eklinde modellemilerdir. Bu model ve dier birtakm benzer modeller stel

ARCH (PARCH) ad altnda Ding ve dierleri (1993) tarafndan,

t = + i ( t i i t i ) + j t j
p

i _1

(1.57)

j =1

eklinde genelletirilmitir. PARCH modelinde, standart sapmann g

parametresi olan tahmin edilebilmekte ve tercihe bal olarak sreteki
asimetriyi yakalamak adna parametresi modele dahil edilmektedir.
parametresinin istatistiki olarak anlaml kmas, sreteki asimetriye iaret
etmektedir.

19

KNC BLM
OK DEKENL GENELLETRLM OTOREGRESF KOULLU
DEEN VARYANS MODELLER
Varlk

getirilerinin

ikinci

sra

momentleri

arasndaki

zaman

bamlln anlamak ve tahmin etmek finansal ekonometrinin temel ilgi

alanlarndan biri olagelmitir. Bilindii zere, finansal varlk oynaklklar
zaman iinde birlikte hareket etmektedir. Bu bulgudan hareketle gelitirilen
ok

deikenli

GARCH

modelleri

kayda

deer

etkinlik

kazanmlar

salamaktadr. Varlk fiyatlama teorilerinin yapsal analizi ve farkl finansal

piyasalar arasndaki balantlar ok deikenli GARCH modellerinin bellibal
uygulama alanlar olmutur. ok deikenli GARCH yaklam eitli
piyasalar ve varlklar arasndaki koullu varyans ve kovaryanslar arasndaki
zaman

bamlln

dikkate

aldndan

literatre

nemli

bir

katk

salamaktadr.
VEC-GARCH modeli, ok deikenli GARCH modellerine nclk
etmesine karn, ok fazla sayda parametre tahmini gerektirdiinden
uygulanabilirlik

asndan sorun

tamaktadr. VEC-GARCH

modeline

alternatif olarak gelitirilen BEKK-GARCH modeli, koullu varyans matrisinin

pozitif tanml olmasnn garantilendii bir yap sunmas itibaryla nem
tamaktadr.
Kegen VEC-GARCH ve BEKK-GARCH modelleri daha derli toplu
olmalarna

karn,

apraz

iliki

dinamikleri

asndan

son

derece

kstlayclardr. Dier bir ok deikenli GARCH modelleri kmesi olan

Faktr GARCH modelleri ise koullu varyans ve kovaryanslarn kendi
gecikmeli deerlerine bal olmalarna izin vermektedir.
Koullu varyans ve korelasyonlar kullanarak koullu kovaryanslarn
dorudan modellenmesi greli olarak yeni bir yaklam olarak literatrdeki

20

yerini alm bulunmaktadr. Koullu korelasyon modelleri parametrelerin

tahmininde ve yorumlanmasnda ok daha kullanl bir alternetif olarak n
plana kmlardr. Dinamik Koullu Korelasyon GARCH (DCC-GARCH)
modeli koullu korelasyonlarn zaman iinde deimesine zemin salad
iin Sabit Koullu Korelasyon GARCH (CCC-GARCH) modeline gre daha
gerekidir.
ok deikenli GARCH modellerinin temel mantn zmlemek
amacyla {yt} serisinin N1 boyutlu bir vektr stokastik sreci olduu
varsaylmtr. sonlu sayda parametreleri ve t() koullu ortalama
vektrn gstermek zere,
y t = t ( ) + t

(2.1)

t = H t1 / 2 ( ) z t

(2.2)

olarak ifade edilmektedir. Burada, Ht1/2 matrisi NN boyutlu pozitif tanml bir
matris iken, N1 boyutlu rassal zt vektr, N N boyutlu birim matrisi temsil
etmek zere,
( z t ) = 0

(2.3)

Var ( z t ) = I N

(2.4)

momentlerine sahip bulunmaktadr.

Var y t I t 1 = Vart 1 ( y t ) = Vart 1 ( t ) = H t1 / 2Vart 1 (z t ) H t1 / 2

) = H

(2.5)

olduundan, Ht matrisi ytnin NN boyutlu koullu varyans matrisini

gstermektedir. Ht1/2 matrisi, Ht matrisinin Cholesky faktorizasyonuna tabi
tutulmas neticesinde elde edilmektedir. Bu erevede, ok deikenli
GARCH modelleri Ht matrisinin ald farkl tanmlamalara gre, VEC-GARCH
modeli, BEKK-GARCH modeli, Matris ssel GARCH modeli, Faktr GARCH
modelleri ve Koullu Korelasyon GARCH modelleri olmak zere be ana
balk altnda incelenecektir.

21

2.1. VEC-GARCH Modeli

Koullu varyans matrisinin genel bir formlasyonu VEC-GARCH
modeli ad altnda Bollerslev ve dierleri (1988) tarafndan nerilmitir. Bu
modelde, koullu varyans ve kovaryanslarn tamam, koullu varyans ve
kovaryanslar

ile

hata

karelerinin

gecikmeli

deerleri

ve

hatalarn

Aj

ve

arpmlarnn dorusal bir fonksiyonu olarak ifade edilmektedir.

VEC-GARCH

modelinde

koullu

varyans,

Bj

(N(N+1)/2)(N(N+1)/2) boyutundaki parametre matrisleri olmak zere,

vech( H t ) = c + A j vech( t j t j ) + B j vech(H t j )
q

j =1

j =1

(2.6)

eklinde ifade edilmektedir. Burada, vech() simetrik bir NN boyutlu matrisin

alt gensel blgede kalan ksmn (N(N+1)/2)1

boyutlu bir vektre

eviren matematiksel operatr temsil etmektedir.

Matris formunda ifade edilecek olursa, dsal etkiler tamayan iki
deikenli bir VEC-GARCH(1,1) modeli,

h11,t c1 a11

ht = h12,t = c 2 + a 21
h22,t c3 a 31
b11 b12
+ b21 b22
b31 b32

a12
a 22
a 32

a13 12,t 1

a 23 1,t 1 2,t 1
a33 22,t 1

b13 h11,t 1

b23 h12,t 1
b33 h22,t 1

(2.7)

olarak ifade edilmektedir (Engle ve Kroner, 1995).

VEC-GARCH modeli ok esnek olmasna karn, ok sayda
pararametre tahmini yaplmaktadr. Sadece varyans-kovaryans matrisi iin
((N(N+1)/2)2(p+q)+(N(N+1)/2)) tane parametre tahmini gerekmektedir. Bu
sebeple, modeldeki deiken saysna bal olarak tahmin edilecek
parametre says hzl bir ekilde artmaktadr.

22

Bollerslev ve dierleri (1988) tarafndan ortaya konulan Kegen

VEC-GARCH (DVEC-GARCH) modelinde denklem (2.6)daki Aj ve Bj
matrislerinin kegen matrisler olduu varsaylmaktadr. Btn koullu
varyanslar, kendi gemi deerlerine ve kendi gemi hata terimlerinin
karelerine bal bulunmaktadr. Benzer ekilde, btn koullu kovaryanslar,
kendi gemi deerlerine ve kendi gemi hatalarnn arpmlarna baldr.
Bu durumda tahmin edilecek parametre says ((p+q+1)(N(N+1)/2)) nemli
oranda azalmakla birlikte, sz konusu model, farkl koullu varyans ve
kovaryanslar arasnda herhangi bir etkileim olmad gibi son derece
basitletririci bir varsaym altnda kurulmaktadr.
Matris formunda ifade edilecek olursa, dsal etkiler tamayan iki
deikenli bir DVEC-GARCH(1,1) modeli,

h11,t c1 a11

ht = h12,t = c 2 + 0
h22,t c3 0
b11 0
+ 0 b22
0
0

0
a 22
0

0 12,t 1

0 1,t 1 2,t 1
a33 22,t 1

0 h11,t 1

0 h12,t 1
b33 h22,t 1

(2.8)

olarak ifade edilmektedir (Engle ve Kroner, 1995).

VEC-GARCH modelinin olabilirlik fonksiyonu, zt hatalarnn ok
deikenli normal dalma sahip olduu varsaym altnda,
T

1
l ( ) = c 2 ln H
t =1

t =1

1 T
tH t1 t
2 t =1

(2.9)

eklindedir. Burada regresyon modelindeki tm parametre vektrlerlerini

iermektedir ve tekrarlamal olarak tahmin edilmektedir. Her bir iterasyonda
btn t deerleri iin koullu kovaryans matrisinin tersinin alnmas
gerekmekte olup, bu durum byk N deerleri ar bir ilemsel yk
getirmektedir. kinci bir zorluk ise, kovaryans matrisinin pozitif tanmllnn
salanmasdr.

23

2.2. BEKK-GARCH Modeli

VEC-GARCH modeli, yaps itibaryla kovaryans matrisinin pozitif
tanmllnn

saland

bir

modele

dntrlebilmektedir.

Bu

dntrlm model, Engle ve Kroner (1995)da tanmland ekliyle

Baba-Engle-Kraft-Kroner (BEKK-GARCH) modeli olarak bilinmektedir.
Bu modelde, koullu varyans, Akj ve Bkj NN boyutlu matrisler, C ise
NN boyutlu bir alt gensel matris olmak zere
q

H t = CC + Akj t j t j Akj + Bkj H t j Bkj

j =1 k =1

(2.10)

j =1 k =1

olarak ifade edilmektedir. CC>0 olduu iin H0 matrisinin pozitif tanml

olmas koulu altnda Ht matrisi de pozitif tanml olacaktr.
Matris

formunda

ifade

edilecek

olursa,

N=2

ve

K=1

iin

BEKK-GARCH(1,1) modeli,
h11,t
h
21,t
a
+ 11
a12
b
+ 11
b12

h21,t c11
=
h22,t c 21

0 c11
c 22 0

c 21
c 22

a 21 12,t 1
1,t 1 2,t 1 a11

a 22 2,t 1 1,t 1
22,t 1 a 21
b21 h11,t 1 h12,t 1 b11 b12

b22 h21,t 1 h22,t 1 b21 b22

a12
a 22

(2.11)

eklindedir.
BEKK-GARCH modelinin basitletirilmi bir versiyonu Aj ve Bj
matrislerinin kegen olduunu varsayan Kegen BEKK-GARCH (DBEKKGARCH) modelidir. Ht matrisinin pozitif tanml salanm olsa dahi, BEKKGARCH modelinin tahmin edilmesi ilemsel bir zorlua sahip olmaya devam
etmektedir. Orijinal BEKK-GARCH modelinde ((p+q)KN2+(N(N+1)/2)) tane,
Kegen BEKK-GARCH modelinde ise ((p+q)KN2+(N(N+1)/2)) tane tahmin
edilecek parametre yer almaktadr. ok sayda parametre tahmin etmenin
ilemsel zorluundan dolay, ampirik uygulamalarda genellikle p=q=K=1
alnmaktadr.

24

2.3. Matris ssel GARCH Modeli

Kawakatsu

(2006) tarafndan nerilen

Matris

ssel

GARCH

(ME-GARCH) modelinde, Ht matrisinin pozitif tanmlln salamak iin

parametre kstlamalar ortadan kaldrlmaktadr. Sz konusu modele tek
deikenkli EGARCH modelinin genelletirilmesi yoluyla ulalmaktadr.
ME-GARCH modelinde koullu varyans, C matrisi NN boyutlu
simetrik

yapl

bir

matris,

A,

ve

Fi

srasyla

(N(N+1)/2)N,

(N(N+1)/2)(N(N+1)/2) ve (N(N+1)/2)N boyutlu parametre matrisleri

olmak zere,
vech(ln H t C ) = Ai z t i + Fi ( z t i E z t i
q

i =1

i =1

)
(2.12)

+ Bi vech(ln H t i C )
i =1

olarak gsterilmektedir. Herhangi bir S simetrik matrisinin,

exp(S ) =
i =0

Si
i!

(2.13)

eklinde tanmlanan sseli pozitif tanml olduundan, Ht matrisi de pozitif

tanml olmakta ve pozitif belirlilii salamak iin parametreler zerine kst
koymaya gereksinin kalmamaktadr. Bununla birlikte, ME-GARCH modeli de
ok fazla sayda parametre iermekte ve daha az sayda parametre ieren bir
modele olan ihtiya devam etmektedir.
2.4. Faktr GARCH Modelleri
Faktr GARCH (F-GARCH) modellerinde t, GARCH tipi sre takip
eden belirli saydaki faktr tarafndan retilmektedir. lk F-GARCH modelini
Engle ve dierleri (1990) ortaya atmtr. Sz konusu modelde Ht matrisi K
tane temel faktr tarafndan retilmektedir. F-GARCH modelinde koullu
deien varyans,

25

H t = + k k f k ,t

(2.14)

k =1

olarak ifade edilmektedir. Bu tanmlamada, NN boyutlu yar-tanml bir

matrisi, k k=1,...,K deerleri iin dorusal olarak birbirinden bamsz olan
faktr arlklarndan oluan N1 boyutlu vektrler kmesini, fk ise temel
faktrleri temsil etmektedir. Model, temel faktrlerin birinci sradan bir
GARCH sreci takip ettiini varsaymaktadr.
f k ,t = k + k ( k t 1 ) + k f k ,t 1
2

(2.15)

Burada, k, k ve k birer skalar iken, k N1 boyutlu arlk

vektrdr. Faktrlerin birbirleriyle korelasyonlar zerinde herhangi bir
kstlama bulunmamaktadr. Faktrler birbirleriyle nemli derecede ilikili
iseler, hepsi ayn bilgiyi tamakta, birbirleriyle ilikisiz iseler, faktrlerin
herbiri verinin farkl bir zelliini yakalamaktadr. Faktrlerin birbirleriyle
nemli derecede ilikili olduu durumda, t NN boyutlu tersi alnabilir W
transformasyon matrisi araclyla birbirleriyle ilikisiz olan t faktrleriyle
ilikilendirilmekte

ve

faktrlerinin

bir

GARCH

sreci

takip

ettii

varsaylmaktadr.

t = W t

(2.16)

Van der Weide (2002) tarafndan ortaya atlan Genelletirilmi

Ortogonal GARCH (GO-GARCH) modelinde W matrisinin tersi alnabilmekle
birlikte ortogonal olmas zorunlu deildir. Birbirleriyle iliksiz t faktrlerinin
koulsuz varyanslarnn bire eit olduu varsaylmaktadr.
[ t t ] = I

(2.17)

Koullu olarak deien varyansa sahip olan faktrler GARCH sreci

izlemektedirler. t faktrlerinin koullu varyanslarndan oluan NN boyutlu
koullu kegen varyans matrisi,

H t = (I A B ) + A ( t 1 t1 ) + BH t1

26

(2.18)

olarak tanmlanmaktadr. Burada, A ve B NN boyutundaki kegen matrisler

iken, iki matrisin Hadamard arpmlarn temsil etmektedir.
Vrontos ve dierleri (2003), faktr modellerinin farkl bir versiyonu
olan Kapsaml Faktr GARCH (FF-GARCH) modelini nermilerdir. Bu
modelde NN boyutlu W transformasyon matrisinin ana kegeni birlerden
oluan gensel bir matris olduu varsaylmaktadr. W matrisindeki
parametreler

direkt

olarak

edilmektedir. Modelin

koullu

enformasyon

kullanlarak

tahmin

ilemsel yk greli olarak hafif olmakla birlikte,

faktrlerle hatalar arsndaki ilikiler ihmal edildii iin model kstlayc bir
karaktere sahiptir.
Greli olarak yeni bir model olan Genelletirilmi Ortogonal Faktr
GARCH (GOF-GARCH) modeli Lane ve Saikkonen (2007) tarafndan ne
srlmtr.

Bu

modelde,

kutupsal

ayrtrmaya

tabi

tutulan

transformasyon matrisi,
W=CV

(2.19)

eklinde tanmlanmaktadr. Burada C matrisi NN boyutlu simetrik yapda

pozitif tanml bir matris iken, V matrisi NN boyutlu ortogonal bir matristir. Bu
modelde, E[tt]=WW=CC olduundan, C=U1/2U spektral ayrtrmas
kullanlarak C matrisi tahmin edilmektedir. U matrisinin kolonlar E[tt]nin
birim-vektrleridir ve kegen matrisi birim-deerleri iermektedir. Bu
erevede, V matrisinin tahmini koullu bilginin kullanmn gerektirmektedir.
2.5. Koullu Korelasyon GARCH Modelleri
Bu blmdeki ok deikenli GARCH modelleri, koullu kovaryans
matrisinin koullu standart sapmalar ve korelasyonlar eklinde ayrtrlmas
temeli zerine kurulmutur. Bu tr modellerin en basit versiyonu Bollerslev
(1990) tarafndan ortaya atlan Sabit Koullu Korelasyon GARCH (CCCGARCH) modelidir. Sz konusu modelde koullu korelasyon matrisinin sabit
olduu

varsaylmaktadr.

Bu

dorultuda,

[ ]

koullu

kovaryans

1/ 2
Dt = diag (h1 /12t , K , hNt
) ve P = ij , ii = 1 , i = 1,K, N olmak zere,

27

matrisi

H t = Dt PDt

(2.20)

eklinde tanmlanmaktadr.
Koullu kovaryans matrisinin kegen d elemanlar ise i j ve
1 i, j N olmak zere,

[H t ]ij
olarak

ifade

= hit1 / 2 h1jt/ 2 ij

(2.21)

edilmektedir.

Genellikle

bir

GARCH(q,p)

sreci

olarak

modellenen koullu varyans, N1 boyutlu bir vektr, Aj ve Bj NN boyutlu

kegen matrisler ve t( 2 ) = t t olmak zere,
q

j =1

j =1

ht = + A j t(2)j + B j ht j

(2.22)

eklinde gsterilmektedir. Bu modelde, koullu korelasyon matrisi pozitif

tanml ve Aj ile Bj matrislerinin kegen elemanlar sfrdan byk olduunda,
koullu kovaryans matrisi de pozitif tanml olmaktadr.
CCC-GARCH modelinin bir uzants olarak Geniletilmi Sabit
Koullu Korelasyon GARCH (ECCC-GARCH) modeli Jeantheau (1988)
tarafndan ne srlmtr. Bu model gzlemlenen hata kareleri arasndaki
otokorelasyonlar kapsaml olarak aklamaktadr. ECCC-GARCH modelinde,
denklem (2.22)deki Aj ile Bj matrislerinin kegen olmalar gerekmemektedir.
Dolaysyla, btn serilerin gecikmeli hata kareleri ve varyanslar btn
koullu varyans deklemlerinde yer almaktadr. rnein, birinci sradan
ECCC-GARCH modelinde, inci varyans denklemi

hit = i + a1112,t 1 + L + a1N N2 ,t 1 + b11h1,t 1 + L + b1N hN ,t 1

(2.23)

olarak tanmlanmtr. Denklem (2.20)deki ayrtrmadan sonra denklem

(2.9)daki log-olabilirlik fonksiyonu,
T

1
l ( ) = c 2 ln h
t =1

t =1 i =1

it

1 T
1 T
log P tDt1 P 1 Dt1 t

2 t =1
2 t =1

28

(2.24)

ekline dnmektedir. Her bir iterasyonda koullu korelasyon matrisinin

sadece bir kez tersinin alnd (2.24)den grlmektedir.
CCC-GARCH modeli sabit koullu korelasyon varsaym zerine
kurulduundan gereki bir model olarak deerlendirilmemektedir. Bu
erevede, sz konusu model koullu korelasyon matrisinin zamana bal
olarak farkl deerler alabilecei bir yapya izin verecek ekilde gelitirilmitir.
H t = Dt Pt Dt

(2.25)

Tse ve Tsui (2002), koullu korelasyon matrisinin GARCH sreci

takip ettii Deien Korelasyon GARCH (VC-GARCH) modelini ne
srmtr. Bu modelde, koullu korelasyon matrisi
Pt = (1 a b )S + aS t 1 + bPt 1

(2.26)

eklinde tanmlanmaktadr. Burada, S kegen elemanlar birlerden oluan

pozitif tanml sabit bir matrisi gsterirken, a ve b, (a+b)1 koulu altnda
negatif olmayan skalar deerleridir.
P0 ve St-1 matrisleri pozitif tanml olduunda, koullu korealasyon matrisi de
pozitif tanml olmaktadr.
Engle (2002) tarafndan ortaya konulan Dinamik Koullu Korelasyon
GARCH (DCC-GARCH) modelinde ise Q0 pozitif tanml bir matris olmak
zere, koullu korelasyon matrisi,

Pt = (I Qt )

1 / 2

Qt (I Qt )

1 / 2

(2.27)

eklinde tanmlanmaktadr. Burada Qt matrisi, a>0, b0, (a+b)<1 kstlar

altnda,
Qt = (1 a b )S + a t 1 t1 + bQt 1

olarak gsterilmektedir.

29

(2.28)

NC BLM
DVZ KURLARI ZERNE UYGULAMA
Bu blmde, eitli dviz kuru serilerinde gzlenen deien varyans
yaps tek deikenli koullu deien varyans sreleri ile modellenerek, ilgili
serilerdeki oynakln hesaplanmas amalanmtr. Bu amaca ynelik olarak,
ncelikle, dviz kuru getiri serilerindeki zaman serisi zellikleri incelenerek
deien koullu varyans modellerinin sz konusu serilere uygulanabilirlii
belirlenecektir.
Dviz kurlarnn deien varyans yapsn modelleyen almalarn
ounluu ABD dolar zerine younlamtr. Bollerslev ve dierleri (1992)
dolar kurunun oynaklk yapsnn modellenmesi ve parametre tahmini
yaplmasna dair ampirik sonular kapsayan nemli bir alma ortaya
koymutur. Ballie and Bollerslev (1989) dolar cinsinden alt farkl dviz
kurunun

oynaklk

yapsnn

modellenmesinde

en

uygun

alternatifin

GARCH(1,1) modeli olduunu gstermilerdir. Engle ve Ng (1993), dviz

kurlar zerinde asimetrik etkilerin varln iddia etmiler ve ARCH
modellerinin farkl yaplarn nermilerdir. Dviz kuru piyasas iin gnlk
getiri, volatilite ve haberlerin etkisini inceleyen Sanches-Fung (2003)
almasnda dviz kuru volatilitesi zerinde pozitif oklarn negatif oklara
gre daha yksek etkide bulunduu sonucuna ulalmtr. Mapa (2004),
gnlk dviz kuru verilerine tm ARCH snf volatilite modellerini uygulamak
yoluyla asimetrik modellerin dviz kuru oynakln modellemede daha
baarl olduunu grmtr.
Trkiyede dviz kuru oynakl ile ilgili olarak yaplan almalar ise
genellikle maroekonomik ve finansal deikenlerle ilikilendirilmitir. Aysoy
ve dierleri (1996), 1988:1-1995:12 dnemi iin ABD dolar ve Alman mark
oynaklklarn GARCH sreciyle modellemiler ve kriz dnemleri dnda
dviz kuru oynaklnn dk seyrettii sonucuna ulamlardr. Akay ve

30

dierleri (1997), 1987:1-1996:3 dnemini EGARCH sreci ile modellemek

yoluyla dolarizasyonun dviz kuru oynakln artrdn gstermilerdir.
Doma ve Mendoza (2002) Meksika ve Trkiyede dalgal kur rejimi
dnemlerindeki merkez bankas mdahalelerinin dviz kuru oynakl
zerindeki

etkilerini

EGARCH

modeli

erevesinde

incelemiler

ve

mdahalelerin dviz kuru oynakln azaltt sonucuna varmlardr.

Ayhan (2006), dviz kuru oynaklnn en yksek olduu kur rejimini bulmak
ve dviz kurlarnn finansal zaman serisi zelliklerini belirlemek amacyla
GARCH ve EGARCH modellerini kullanmtr. alma sonular beklenenin
aksine eitli kur rejimlerinin dviz kuru oynakl zerindeki etksinin ayn
olduunu gstermitir. akurlu ve dierleri (2008), 2002-2005 dnemindeki
TCMB dorudan dviz mdahalelerinin ngrlen kur oynakln azaltt
sonucuna ok deikenli GARCH yntemi erevesinde ulamlardr.
alayan ve Dayolu (2009) ise, aralarnda Trkiyenin de bulunduu OECD
lkelerinin dolar kuru getirilerini simetrik ve asimetrik otoregresif koullu
deien varyans sreleriyle modellemiler ve en iyi ngr performansn
veren volatilite modellerini belirlemilerdir. alma sonular, asimetrik
otoregresif koullu deien varyans modellerinin ngr performanslarnn,
simetrik koullu deien varyans modellerine kyasla daha iyi olduuna iaret
etmektedir.
Finansal zaman serilerinin deien varyans ve ar basklk gibi belli
birtakm zelliklerinin veri skl azaldka hafifledii ampirik bir olgu olarak
karmza kmaktadr. Ballie and Bollerslev (1989) veri skl arttka, dviz
kuru getirilerindeki deien varyans sorununun glendii sonucuna
varmlardr. Ayrca, gnlk getirilerde grlen yksek direncin dnemsel
toplulatrma yoluyla azald da bilinmektedir. Bununla birlikte,

bu

almann amac zaman iinde deien koullu varyans modellemek

olduundan gnlk veriler kullanlmtr.
3.1. Veri ve statiksel Yap
Bu ksmda, eitli dviz kuru getiri serilerinin istatiksel ve zaman
serisi zellikleri etraflca incelenecektir.

31

3.1.1. Veri
almada, TCMB tarafndan gnlk olarak belirlenen ABD dolar
(USD), Euro (EUR), Japon yeni (JPY), ngiliz sterlini (GBP), svire frang
(CHF), Kanada dolar (CAD) ve Avustrulya dolar (AUD) para birimlerinin
Trk Liras (TRY) karl gsterge niteliindeki al kurlar kullanlmtr. Veri
seti dalgal kur rejimi dnemini ierecek ekilde, 23.02.2001-23.12.2009
tarihleri arasndaki 2221 gzlemden derlenen gnlk verilerden olumaktadr.
lgili dnemdeki tatil gnleri kapsam d braklarak dviz kuru getiri verileri
srekli seriler haline getirilmitir. almada incelenen dviz kuru serileri
Grafik 3.1de sunulmutur.

DVZ KURLARI SERLER

TL/JPY

TL/AUD

2.0

TL/CAD

1.4

1.6

1.8

1.4

1.2
1.6

1.2
1.0

1.4

1.0
1.2

0.8
0.8

1.0
0.6

0.6

0.8
0.6

0.4
500

1000

1500

2000

2500

0.4
500

1000

TL/CHF

1500

2000

2500

500

1000

TL/EUR

1.6

1500

2000

2500

2000

2500

TL/GBP

2.4

3.2

1.4

2.8

2.0
1.2

2.4
1.0

1.6
2.0

0.8
1.2

1.6

0.6
0.4

0.8
500

1000

1500

2000

2500

2000

2500

1.2
500

1000

1500

2000

2500

500

1000

1500

TL/USD
2.0
1.8
1.6
1.4
1.2
1.0
0.8
500

1000

1500

Grafik 3.1 : Dviz Kuru Serileri

Kaynak : TCMB-EVDS

Dviz kuru getiri serilerine ait getiriler, logaritmik birinci farklar

alnarak,

32

 ERt
100
Rt = log
ERt 1

(3.1)

forml ile hesaplanarak tretilmitir. Burada, ERt, t gnnde oluan dviz

kuru deerini, Rt ise t gnndeki getiriyi gstermektedir. Grafik 3.2de dviz
kuru getiri serileri yer almaktadr.

Dviz Kuru Ge tiri Se rile ri (Yzde )

RAUD

RCAD

RCHF

15

15

15

10

10

10

-5

-5

-5

-10

-10

-10

-15

-15
500

1000

1500

2000

2500

-15
500

1000

REUR

1500

2000

2500

500

1000

RGBP

15

15

10

10

-5

-5

1500

2000

2500

2000

2500

RJPY
12
8
4
0
-4
-8
-12

-10

-10

-15

-15
500

1000

1500

2000

2500

2000

2500

-16
-20
500

1000

1500

2000

2500

500

1000

1500

RUSD
15
10
5
0
-5
-10
-15
500

1000

1500

Grafik 3.2 : Dviz Kuru Getiri Serileri

Kaynak : TCMB-EVDS

3.1.2. Dviz Kuru Getiri Serilerinin Duraanl

Dviz kuru getiri serilerinin birim kk ierip iermedikleri ADF testleri
kullanlarak snanmtr. Gecikmeli fark serisinin aklayc deiken olarak
modele alnd ADF testi aadaki formlarda uygulanabilmektedir:

33

X t = X t 1 + p X t i + t

(3.2)

i =1

X t = + X t 1 + p X t i + t

(3.3)

i =1

X t = + X t 1 + p X t i + t + t

(3.4)

i =1

Hesaplanan

istatistii deeri mutlak deer olarak McKinnon ADF

kritik deerinden bykse,

H0: Seri birim kke sahiptir
eklindeki bo hipotez red edilerek, serinin birim kke sahip olmad yani
duraan olduuna karar verilmektedir.
TABLO 3.1. DVZ KURU GETR SERLERNN DURAANLIK TEST
1

oaltlm Dickey-Fuller (ADF) Test statistii

RAUD
RCAD
RCHF
REUR
RGBP
RJPY
RUSD

Dsal Deiken : Yok

t-istatistii
Olaslk
-45.1
0.0
-45.2
0.0
-42.3
0.0
-43.8
0.0
-44.9
0.0
-40.5
0.0
-43.8
0.0

Dsal Deiken : Sabit

t-istatistii
Olaslk
-45.2
0.0
-45.3
0.0
-42.4
0.0
-43.9
0.0
-44.9
0.0
-40.5
0.0
-43.8
0.0

Dsal Deiken : Sabit ve

Dorusal Trend
t-istatistii
Olaslk
-45.2
0.0
-45.3
0.0
-42.4
0.0
-43.9
0.0
-44.9
0.0
-40.5
0.0
-43.8
0.0

(1) Gecikme uzunluu btn seriler iin Schwarz bilgi kriterine gre 1 olarak seilmitir.

Dviz kuru getiri serileri iin uygulanan ADF test sonular

Tablo 3.1de yer almaktadr. Buna gre, btn dviz kuru getiri serileri
srasyla sabit ve trend iermeyen, sadece sabit ieren ve sabit ve trend
ieren regresyonlar baz alnarak yaplan ADF testleri erevesinde birim kk
iermediklerinden duraandrlar.

ADF regresyonlarnda katsays iin hesaplanan geleneksel t istatistii, istatistii olarak adlandrlmaktadr.

34

3.1.3. Dviz Kuru Getiri Serilerinin Betimleyici statistikleri

Dviz kuru getiri serilerine ait betimleyici istatistikler Tablo 3.2de
grlmektedir. Japon yeni dndaki dier dviz kuru getiri serilerinin
dalmlarnn saa arpk olduu dikkat ekmektedir. Serilerin tamamnn
normal dalma gre ar baskla sahip olmas, finansal zaman serilerinde
gzlemlenen ampirik bir bulgu olan kaln kuyruk zelliinin, almada
incelenen dviz kuru getiri serileri iin de geerli olduunu gstermektedir.
TABLO 3.2. DVZ KURU GETR SERLERNN BETMLEYC STATSTKLER

Ortalama
Medyan
Maksimum
Minimum
Standart Sapma
arpklk
Basklk
Jarque-Bera

RAUD
0.04
0.00
11.35
-12.16
1.14
0.44
20.82
29446.5

RCAD
0.04
0.00
11.27
-12.39
1.14
0.66
21.79
32825.4

RCHF
0.04
-0.04
11.31
-12.35
1.29
0.57
16.21
16271.3

REUR
0.04
-0.04
11.46
-12.27
1.18
0.77
19.74
26152.9

RGBP
0.03
-0.03
11.69
-12.69
1.17
0.72
21.37
31414.5

RJPY
0.03
-0.06
11.12
-17.75
1.43
-0.21
22.55
35387.0

RUSD
0.02
-0.07
11.35
-12.56
1.18
0.40
25.17
45545.0

Dviz kuru getiri serilerinin normal dalma sahip olup olmadklar

Jarqua-Bera testi kullanlarak snanmtr. Test sonularna gre rnek
dneminde serilerin tamam normal dalma sahip deildir. Ayrca, dviz
kuru getiri serilerinin grafikleri incelendiinde oynaklk kmelenmesi olgusu
kolay bir ekilde grlmektedir.
Betimsel istatistikler rnek dneminde incelenmekte olan dviz kuru
serilerinin deien varyans yapsna sahip olabilecekleri ynnde gl bir
iaret vermektedir.
3.2. Dviz Kuru Getiri Serilerinin Otoregresif Yapsnn Belirlenmesi
almada incelenen dviz kuru getiri serileri eitli AR modelleri
kullanlarak EKK yntemiyle tahmin edilmitir. Bu erevede, farkl gecikme
uzunluklar ieren AR modelleri denenmi ve parametre anlamll kriterine
gre aadaki dviz kuru getiri modelleri tercih edilmitir:
RAUDt = 0+1RAUDt-1+2RAUDt-2+t

35

(3.5)

RCADt = 0+1RCADt-1+2RCADt-2+t

(3.6)

RCHFt = 0+1RCHFt-1+2RCHFt-2+t

3.7)

REURt = 0+1REURt-1+2REURt-2+t

(3.8)

RGBPt = 1RGBPt-1+2RGBPt-2+t

(3.9)

RJPYt = 1RJPYt-1 +2RJPYt-2 +t

(3.10)

RUSDt = 1RUSDt-1 + 2RUSDt-2 +t

(3.11)

Dviz kuru getiri serileri modellerine ilikin EKK tahmin sonular

Tablo 3.3te verilmitir. EKK artklarnn otokorelasyon ierip iermedikleri
Breusch-Godfrey

LM

testi

ile

snanm

ve

artklarn

otokorelasyon

iermediini ifade eden bo hipotez btn dviz kuru getiri serileri iin red
edilmitir.
TABLO 3.3. DVZ KURU GETR SERLERNN EKK TAHMN SONULARI1
0

Dzeltilmi
2
R

Log
Olabilirlik

LM Test
2
statistii

RAUD

0.049
(2.079)

0.112
(6.330)

-0.189
(-10.648)

0.059

-3376.005

98.314

RCAD

0.041
(1.755)

0.109
(6.241)

-0.181
(-10.342)

0.057

-3372.852

113.741

RCHF

0.046
(1.704)

0.085
(4.618)

-0.145
(-7.887)

0.033

-3671.252

103.941

REUR

0.045
(1.830)

0.106
(5.890)

-0.168
(-9.334)

0.047

-3467.594

105.062

RGBP

0.126
(7.112)

-0.185
(-10.476)

0.061

-3429.501

97.826

RJPY

0.068
(3.600)

-0.115
(-6.141)

0.020

-3924.101

95.115

RUSD

0.119
(6.689)

-0.166
(-9.313)

0.051

-3462.028

105.983

(1) Parantez iimdeki deerler parametrelere ilikin t istatistik deerleridir.

(2) Otokorelasyon iin ikinci-sra Breusch-Godfrey LM test istatistiidir.

almann bu aamasnda, dviz kuru getiri modellerinin deien

varyans sorunu ierip iermedii White ve ARCH heteroskedastite testleri
araclyla snanmtr.

36

Her iki test sonular Tablo 3.4te sunulmutur. Dviz kuru getiri
serilerinin tamam iin artklarn sabit varyansl olduunu savunan bo
hipotez her iki test tarafndan da red edilmitir. Bu balamda, ilgilenilen
zaman serisi modellerinin tamamnda gl bir otokorelasyon ve deien
varyans yapsnn bulunmas, dviz kuru getiri serilerinin ARCH tipi
modellemeye elverili olduklarna iaret etmektedir.
TABLO 3.4. DVZ KURU GETR SERLERNE LKN DEEN VARYANS TESTLER

RAUD
RCAD
RCHF
REUR
RGBP
RJPY
RUSD

White Testi
Olaslk
F-statistii
120.9
0.0
103.4
0.0
121.3
0.0
125.6
0.0
163.6
0.0
91.5
0.0
118.0
0.0

ARCH-LM Testi1
F-statistii
Olaslk
253.6
0.0
214.7
0.0
126.3
0.0
186.7
0.0
213.6
0.0
70.8
0.0
138.5
0.0

(1) ARCH testinde gecikme uzunluu btn seriler iin 2 olarak belirlenmitir.

3.3. Dviz Kuru Getiri Serilerinin Otoregresif Koullu Deien Varyans

Sreleriyle Modellenmesi
ncelenen dviz kuru getiri modellerinde ARCH etkisinin varlna
ilikin gl iaretler alndktan sonra bu blmde, eitli tek deikenli
koullu varyans modelleri denenerek dviz kuru getiri serileri iin uygun olan
ARCH/GARCH modelleri belirlenmitir.
Birinci blmde incelenen ARCH, ARCH-M, GARCH, GARCH-M,
EGARCH, EGARCH-M, TARCH, TARCH-M, PARCH ve PARCH-M modelleri
dviz kuru getiri serilerini aklamak zere ok saydaki farkl gecikme
uzunluklar denenerek ayr ayr tahmin edilmilerdir. Tahmin sonular,
parametre anlamll, varyans parametrelerinin negatif olmama koulu ile
toplamlarnn birden kk olma koulu, artklarn sabit varyansa sahip olma
koulu ve parametre tutumluluu kriterlerine gre deerlendirilmitir.
Model tahminleri, 23.02.2001- 23.12.2009 tarihleri arasndaki 2221
veriyi kapsayacak ekilde, Eviews-6 paket program araclyla yaplmtr.
Ayrca, deien varyansn modellenmesinde, hatalarn t-dalmna sahip

37

olduu

varsaylm

ve

tahmin

yntemi

olarak

maksimum

olabilirlik

kullanlmtr.
Dier dviz kuru serilerine ilikin nihai otoregresif koullu deien
varyans modellerinin tahmin sonular Ek-1de yer almakta olup, izleyen
ksmda ABD dolar ve Euro kurlar iin ayrntl deerlendirme yaplacaktr.
Bu erevede, incelenen dviz kuru getirilerinden ABD dolar oynaklnn
AR(2)-EGARCH(1,1,1), Euro kuru oynaklnn ise AR(2)-TARCH(1,1,1)
sreci ile modellendii grlmtr.
ABD dolar ve Euro kurlarna ilikin yukarda bahsedilen modellerin
tahmin sonularn deperlendirmeye balamadan nce ilgili dviz kuru getiri
serilerinin GARCH(1,1) sreci ile modellenmesinden elde edilen tahmin
sonular zerinde ksaca durulacaktr. Bollerslev ve dierleri (1992)
GARCH(1,1) modelinin finansal varlk getirilerindeki koullu deien varyans
yapsn byk oranda aklad sonucuna varmtr. ABD dolar ve Euro
dviz kurlar getiri serilerine ilikin GARCH(1,1) modeli tahmin sonular
srasyla Tablo (3.5) ve Tablo (3.6)da yer almaktadr.
TABLO 3.5. ABD DOLAR KURUNA LKN AR(2)-GARCH(1,1) MODEL TAHMN
SONULARI
Baml Deiken : RUSD
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

rusd t = c + b1rusd t 1 + b2 rusd t 2

Katsay
-0.0668
0.0459
-0.0694

c
b1
b2
Varyans Denklemi:

z-statistii
-4.6241
2.0751
-3.1920

Olaslk
0,0000
0,0380
0,0014

0.0061
0.0260
0.0188
0.6121

4.6219
8.0137
41.6749
8.8868

0,0000
0,0000
0,0000
0,0000

t2 = c + 1 t21 + 1 t21

c
1
1
T-Dalm Serbestlik Derecesi
2

Standart Hata
0.0144
0.0221
0.0217

R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

0.0281
0.2081
0.7852
5.4397
0.0278
0.0252
3009.8550
-2785.3020

Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

1.9877
2.5145
2.5324
2.5210

Dviz kuru getirilerine gelen oklarn etkisini 1 parametresi

gstermektedir. Bir dnem nceki oynakln cari dnem oynakl zerindeki
38

etkisi ise 1 parametresi tarafndan temsil edilmektedir. Bu iki parametrenin

toplamnn her iki dviz kuru iin 1e ok yakn tahmin edilmi olmas, ilgili
dviz kurlarnn oynaklk yaplarndaki direnci gstermesi asndan nem
tamaktadr. Bu erevede, koullu varyansn sonraki dnem ngrlerinde
cari bilgi nemli olmaya devam etmektedir.
TABLO 3.6. EURO KURUNA LKN AR(2)-GARCH(1,1) MODEL TAHMN SONULARI
Baml Deiken : REUR
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

reurt = c + b1 reurt 1 + b2 reurt 2

Katsay
-0.0297
0.0304
-0.0768

c
b1
b2
Varyans Denklemi:

Standart Hata
0.0153
0.0215
0.0219

z-statistii
-1.9389
1.4094
-3.5067

Olaslk
0,0525
0,1587
0,0005

0.0063
0.0208
0.0173
0.6952

4.6115
8.0009
47.1769
8.1734

0,0000
0,0000
0,0000
0,0000

t2 = c + 1 t21 + 1 t21

c
1
1
T-Dalm Serbestlik Derecesi
R2
Dzeltilmi R2
Hata Kareleri Toplam
Log Olabilirlik

0.0293
0.1661
0.8171
5.6824
0.0274
0.0247
3017.2240
-2897.0050

Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

1.9905
2.6150
2.6330
2.6216

GARCH-M modeli tahmin sonular her iki dviz kuru iin ortalama
etkisinin geerli olmadn gstermitir. Bilindii zere, finans teorisi
beklenen

getiri

ile

risk

arasnda

pozitif

bir

iliki

olduu

temeline

dayanmaktadr. GARCH-M modellerinde koullu standart sapma ya da

varyans

ortalama

denklemine

aklayc

bir

deiken

olarak

dahil

edilmektedir. Standart sapmann finansal varlk getirisi zerindeki etkisi

zamanla deien risk primi olarak deerlendirilmektedir.
GARCH(1,1) modeli koulsuz varyans gecikmeli hata terimlerinin
iaretlerinden bamsz olarak sadece byklklerinin bir fonksiyonu olarak
tanmlandndan, oynaklk yapsndaki asimetriyi yakalamakta baarsz
kalmaktadr. Bu erevede, oynaklk yapsndaki asimetriyi hesaba katan
EGARCH, TARCH ve PARCH modelleri ABD dolar ve Euro dviz kurlar
getirilerine uygulanmtr.

39

ABD dolar kuruna ilikin AR(2)-EGARCH(1,1,1) modeli parametre

tahmini sonular Tablo 3.7de sunulmutur. Varyans denklemi tahmin
sonular incelendiinde, asimetri etkisini gsteren 1 katsaysnn pozitif ve
yksek derecede anlaml olduu grlmektedir. Bu durum pozitif oklarn
negatif oklara kyasla ABD dolar kuru oynakln daha fazla artrdn
gstermektedir. Pozitif ok ilgili dviz kurunun deerinin artmas, dier bir
ifadeyle Trk Lirasnn deer kaybetmesi olarak tanmlanmtr.
TABLO 3.7. ABD DOLAR KURUNA LKN AR(2)-EGARCH(1,1,1) MODEL TAHMN
SONULARI
Baml Deiken : RUSD
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

rusd t = c + b1rusd t 1 + b2 rusd t 2

Katsay
-0,0472
0,0580
-0,0640

c
b1
b2
Varyans Denklemi:

log( t2 ) = c + 1

z-statistii
-3,2834
2,6651
-3,0073

Olaslk
0,0010
0,0077
0,0026

-10,6578
9,4126
4,9275
108,8861
9,4014

0,0000
0,0000
0,0000
0,0000
0,0000

t 1
+ 1 t 1 + 1 log( t21 )
t 1
t 1

c
1
1
1
T-Dalm Serbestlik Derecesi
R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

Standart Hata
0,0144
0,0218
0,0213

-0,2737
0,3365
0,1076
0,9433
5,4743
0,0306
0,0275
3001,2630
-2770,7580

0,0257
0,0358
0,0218
0,0087
0,5823

Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

2,0170
2,5023
2,5228
2,5098

Euro kuruna ilikin AR(2)-TARCH(1,1,1) modeli parametre tahmini

sonular Tablo 3.8de sunulmutur. Varyans denklemi tahmin sonular
incelendiinde, asimetri etkisini gsteren 1 katsaysnn negatif ve yksek
derecede anlaml olduu grlmektedir. Bu durum ABD dolar kurunda
olduu gibi Euro kuru oynakln pozitif oklarn negatif oklara kyasla daha
fazla artrdna iaret etmektedir.
RUSD ve REUR serilerinin srasyla AR(2)-EGARCH(1,1,1) ve
AR(2)-TARCH(1,1,1) modelleri ile tahmininden elde edilen artk deerlerin
ARCH etkisi tayp tamadklarn snamak amacyla ARCH-LM testi
uygulanmtr. Ayrca, hata terimleri ve hata terimlerinin karelerinin
40

otokorelasyon ierip iermediklerini grmek iin eitli gecikme uzunluklar

iin hesaplanan Ljung-Box Q istatistikleri kullanlmtr.
TABLO 3.8. EURO KURUNA LKN AR(2)-TARCH(1,1,1) MODEL TAHMN
SONULARI
Baml Deiken : REUR
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

reurt = b1 reurt 1 + b2 reurt 2

Katsay
0.0424
-0.0646

b1
b2
Varyans Denklemi:

z-statistii
1.9693
-2.9325

Olaslk
0.0489
0.0034

5.2494
8.0905
-4.1544
47.3195
7.7814

0.0000
0.0000
0.0000
0.0000
0.0000

t2 = c + 1 t21 + 1 t21 ( t 1 < 0) + 1 t21

c
1
1
1
T-Dalm Serbestlik Derecesi
2

Standart Hata
0.0215
0.0220

R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

0.0339
0.2190
-0.1295
0.8147
6.2118
0.0289
0.0263
3012.3650
-2889.6730

0.0065
0.0271
0.0312
0.0172
0.7983

Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

2.0216
2.6084
2.6264
2.6150

TABLO 3.9. HATA TERMLERNE LKN OTOKORELASYON VE DEEN VARYANS

TESTLER

Gecikme
1
2
3
4
5
10

ABD DOLARI (AR(2)-EGARCH(1,1,1))

Q-statistii Q2-statistii ARCH-LM
1.051
0.000
0.000
(0.305)
(0.989)
(0.989)
2.172
0.037
0.019
(0.338)
(0.982)
(0.982)
2.516
0.121
0.040
(0.472)
(0.989)
(0.990)
2.517
1.899
0.472
(0.642)
(0.754)
(0.756)
2.686
1.902
0.377
(0.748)
(0.863)
(0.865)
7.380
3.763
0.376
(0.689)
(0.957)
(0.957)

EURO (AR(2)-TARCH(1,1,1))
Q-statistii Q2-statistii ARCH-LM
0.192
0.610
0.608
(0.661)
(0.435)
(0.436)
0.462
0.791
0.398
(0.794)
(0.673)
(0.672)
1.684
0.853
0.289
(0.640)
(0.837)
(0.834)
1.691
0.880
0.222
(0.792)
(0.927)
(0.9269
1.999
1.131
0.225
(0.849)
(0.951)
(0.952)
10.339
7.170
0.692
(0.411)
(0.709)
(0.733)

Not: P deerleri parantez iinde verilmitir.

Sz konusu test sonular ve istatistik deerleri Tablo 3.9da

sunulmutur. Buna gre, ABD dolar ve Euro kuru getiri serilerinin srasyla
AR(2)-EGARCH(1,1,1) ve AR(2)-TARCH(1,1,1) modelleri ile tahmininden
elde edilen standartlatrlm artklar ve artklarn kareleri otokorelasyon

41

iermemektedir. Ayrca, ARCH-LM testi sonular artklardaki deien

varyansn byk lde yok olduunu gstermektedir.
ABD dolar kurunun AR(2)-EGARCH(1,1,1) modeliyle, Euro kurunun
ise

AR(2)-TARCH(1,1,1)

modeliye

tahmininden

elde

edilen

gnlk

volatilitelerin rnek dnemi iindeki geliimleri srasyla Grafik 3.3 ve

Grafik 3.4te sunulmutur. almada incelenen dier dviz kurlarna ilikin
gnlk volatilite geliimlerini gsteren grafikler ise Ek 2de yer almaktadr.

GNLK ABD DOLARI VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 3.3 : AR(2)-EGARCH(1,1,1) Modelinden Elde Edilen Gnlk ABD Dolar Kuru
Volatilitesi

Grafik 3.3 ve Grafik 3.4 incelendiinde, 2000 ylnda uygulanmaya

konulan ynlendirilmi sabit parite (crawling peg) kur rejiminin 2001 yl ubat
aynda terk edilmesinden sonra gelen dalgal kur rejiminin ilk dneminde
dviz kurlar volatilitelerinin ok yksek olduu grlmektedir. Bilindii zere,
ekonomik istikrarszlk ile i ve d piyasalarda belirsizlik yaand
dnemlerde piyasa volatilitesi artma eilimi iine girmektedir. Dalgal kur
rejiminin ilk dnemini ieren 2001 ylndan sonra ABD dolar ve Euro kuru
volatilitelerinde 2003 ylnn Mart aynda, 2006 ylnn Mays aynda ve 2008
ylnn Mart ile Ekim aylarnda belirgin bir ykselme gzlenmitir.

42

2003 ylnn Mart aynda yabanc lke askerlerinin Trkiyede

konulandrlmas ve snr tesine Trk askeri gnderilmesine ilikin Yetki
Tezkeresi Trkiye Byk Millet Meclisinde kabul edilmemitir. Bu kararn,
mali yardm paketi beklentilerini zayflatmas nedeniyle, dviz kurlar ve faiz
oranlarnda belirgin bir dalgalanma yaanmtr.

GNLK EURO VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 3.4 : AR(2)-TARCH(1,1,1) Modelinden Elde Edilen Gnlk Euro Kuru Volatilitesi

2006 ylnn Mays ay kresel likidite koullarndaki bozulmayla

birlikte risk alglamalarnn artmasna paralel olarak zellikle gelimekte olan
lkelerden sermaye klarnn yaand bir ay olarak dikkat ekmektedir.
2008 ylnn Mart aynda, 2007 ylnn ikinci yarsnda beliren kredi
krizi, ABDnin makroekonomik durumuna ilikin aklanan olumsuz verilere
kout olarak derinlemi ve ABDde beklenen resesyonun iddetine dair
endieler artmtr. Bunun sonucu olarak, uluslararas piyasalarda risk
itahnda yaanan gerilemeler gelimekte olan lke mali piyasalarndaki
oynaklklarn ykselmesine yol amtr.
2008 ylnn Ekim aynda ise, ABDdeki baz byk finans
kurulularnn Eyll ayndan itibaren iflas etmeye balamalaryla derinleen

43

kresel finans krizinin sonucu olarak mali piyasalardaki oynaklk nemli

derecede artmtr.

44

DRDNC BLM
SONU VE NERLER
Geleneksel

ekonometride,

zaman

serisi

almalarnda

otokorelasyon sorununun, yatay-kesit almalarnda ise deien varyans

sorununun ba gstermesi beklenir. Bununla birlikte, finansal zaman
serilerinde otokorelasyon sorununun yansra deien varyans sorunu da sk
karlalan bir durum olarak gze arpmaktadr. Bu balamda, finansal
zaman serilerinde grlen deien varyansllk olgusunu temel alan
otoregresif koullu deien varyans modelleri gelitirilmitir. ARCH snf
modeller zellikle yksek frekansl zaman serisi verilerine gsterdii uyumla
dikkat ekmektedir.
Drt blmden oluan tezin ilk iki blmnde srasyla tek deikenli
otoregresif koullu deien varyans modelleri ve ok deikenli otoregresif
koullu deien varyans modelleri incelenmitir. Tek deikenli otoregresif
koullu deien varyans modelleri belirli bir finansal varlk getirisi oynaklnn
otonom olarak aklanmasna katkda bulunurken, ok deikenli otoregresif
koullu deien varyans modelleri eitli finansal piyasalar ve varlklar
arasndaki zaman bamlln hesaba katarak, zmlemeyi bir adm ileriye
tamlardr.
Tezin nc blmnde eitli dviz kuru getiri serileri tek
deikenli otoregresif koullu deien varyans sreleriyle modellenerek, ilgili
deikenlerin koullu deien varyans yaplar incelenmitir. ncelenen dviz
kuru getiri serilerinin tamamnda finansal varlk getirilerinde gzlemlenen ve
deien

varyanslln

iaretleri

olarak

deerlendirilen

oynaklk

kmelenmesi ve ar basklk olgularna rastlanmtr. Sonraki aamada

dviz kuru serilerinin otoregresif yaplar EKK tahmin yntemiyle belirlenerek,
artklardaki deien varyansllk White ve ARCH-LM deien varyans
testleriyle snanmtr. Deien varyans test sonular, dviz kuru getiri

45

serilerinin EKK tahmininden elde edilen artklarn nemli derecede ARCH

etkisine maruz kaldklarn gstermitir. Bu dorultuda, dviz kurlar getiri
serileri tek deikenli otoregresif koullu deien varyans sreleriyle
modellenerek tahmin edilmitir. Tahmin sonular deerlendirilen ABD dolar
getirisinin AR(2)-EGARCH(1,1,1), Euro getirisinin ise AR(2)-TARCH(1,1,1)
sreleriyle modellendikleri grlmtr. Sz konusu modellerden elde edilen
standartlatrlm artklar ve artklarn karelerinde otokorelasyon sorunu
grlmemitir. Ayrca, standartlatrlm artklarda ARCH etkisi ortadan
kalkmtr.
Tek deikenli otoregresif koullu deien varyans modelleri tahmin
sonular, dviz kurlar getiri serileri iin ortalama etkisinin geerli olmadn
gstermitir. Dviz kurlar getirileri ile varyanslar arasnda anlaml bir iliki
bulunamamtr. Bu durum, Trk dviz piyasasndaki dinamiklerin riskten
bamsz olarak ilediini gstermektedir. Dier yandan, ABD dolar ve Euro
dviz kuru getiri serilerinin oynaklk yaplarnn literatrdeki birok almann
gsterdii gibi nemli derecede asimetrik olduu sonucuna varlmtr. Dviz
kuru getiri serilerinin koullu varyanslar negatif ve pozitif oklara farkl tepki
vermektedirler. Pozitif oklar negatif oklara gre koullu varyanslar zerinde
daha fazla etkiye sahiptir.
Son olarak, ABD dolar kurunun AR(2)-EGARCH(1,1,1) modeliyle,
Euro kurunun ise AR(2)-TARCH(1,1,1) modeliye tahmininden elde edilen
gnlk volatilitelerin ekonomik istikrarszlk ile i ve d piyasalarda belirsizlik
yaand dnemlerde nemli derecede ykseldii grlmtr.

46

KAYNAKA
Akay, O. C., Alper, C. A. ve Karasulu, M. (1997). Currency Substitution and
Exchange Rate Instability: The Turkish Case. European Economic
Review, 41, 827-835.
Ayhan, D. (2006). Dviz Kuru Rejimlerinin Kur Oynakl zerine Etkisi:
Trkiye rnei. ktisat letme ve Finans, Austos, 64-76.
Aysoy, C., Balaban, E., Koar, . . ve zcan, C. (1996). Daily Volatility in
the Turkish Foreign Exchange Market. TCMB Tartma Teblileri
No: 9625.
Baille, R. T. ve Bollerslev, T. (1989). The Message in Daily Exchange Rates:
A Conditional-Variance Tale. Journal of Business and Economic
Statistics, 7, 297-305.
Bollerslev,
T.
(1986).
Generalized
Autoregressive
Conditional
Heteroskedasticity. Journal of Econometrics, 31, 307-327.
Bollerslev, T., Engle, R. F. ve Wooldridge, J. M. (1988). A Capital Asset
Pricing Model with Time-Varying Covariances. The Journal of
Political Economy, 96, 116-131.
Bollerslev, T. (1990). Modelling the Coherence in Short-Run Nominal
Exchange Rates: A Multivariate Generalized ARCH Model. Review of
Economics and Statistics, 72, 498-505.
Bollerslev, T., Chou, R. Y. ve Kroner, K. F. (1992). ARCH Modelling in
Finance. Journal of Econometrics, 52, 5-59.
alayan, E. ve Dayolu, T. (2009). Dviz Kuru Getiri Volatilitesinin Koullu
Deien Varyans Modelleri ile ngrs. Ekonometri ve statistik.
Say:9, 1-16.
akurlu, T., Pnar, M.., Salih, A. ve Salman, F. (2008). Can Central Bank
Interventions Affect the Exchange Rate Volatility? Multivariate
GARCH Approach Using Constrained Nonlinear Programming.
TCMB Tartma Teblileri No: 0806.
Ding, Z., Granger, C. W. J. ve Engle, R. F. (1993). A Long Memory Property
of Stock Market Returns and a New Model. Journal of Empirical
Finance, 1, 83-106.

47

Doma, . ve Mendoza, A. (2002). Is There Room for Forex Interventions

Under Inflation Targeting Framework? Evidence from Mexico and
Turkey. TCMB Tartsma Teblileri No: 0206.
Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with
Estimates of the Variance of U.K. Inflation. Econometrica, 50, 9871008.
Engle, R. F. ve Bollerslev, T. (1986). Modeling the Persistence of Conditional
Variances. Econometric Reviews, 5, 150.
Engle, R. F., Lilien, D. M. ve Robins, R. P. (1987). Estimating Time Varying
Risk Premia in the Term Structure: The ARCH-M Model.
Econometrica, 55, 391407.
Engle, R. F., Ng, V. K. ve Rothschild, M. (1990). Asset Pricing with a Factor
ARCH Covariance Structure: Empirical Estimates for Treasury Bills.
Journal of Econometrics, 45, 213-238.
Engle, R. F., Ng, V. K. ve Rothschild, M. (1993). Measuring and Testing the
Impact of News on Volatility, The Journal of Finance, 48, 1749-1778.
Engle, R. F. ve Kroner, K. F. (1995). Multivariate Simultaneous Generalized
ARCH. Econometric Theory, 11, 122-150.
Engle, R. F. (2002). Dynamic Conditional Correlation: A Simple Class of
Multivariate
Generalized
Autoregressive
Conditional
Heteroskedasticity Models. Journal of Business and Economic, 20,
339-350.
Jeantheau, T. (1998). Strong Consistency of Estimators for Multivariate
ARCH Models. Econometric Theory, 14, 70-86.
Kawakatsu, H. (2006). Matrix Exponential GARCH. Journal of Econometrics,
134, 95-128.
Klien, B. (1977). The demand for quality-adjusted cash balances: Price
Uncertainty in the U.S. Demand for Money Function. Journal of
Political Economy, 85, 692-715.
Lanne, M. ve Saikkonen, P. (2007). A Multivariate Generalized Orthogonal
Factor GARCH Model. Journal of Business and Economic Statistics,
25, 61-75.
Mandelbrot, B. (1963). The Variation of Certain Speculative Prices. Journal of
Business, 36, 394-419.
Mapa, D. (2004). A Forecast Comparison of Financial Volatility Models:
GARCH(1,1) is not Enough. The Philippine Statistician, 53, 1-10.

48

Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New

Approach. Econometrica, 59, 347370.
Sanchez-Fung, J.R. (2003). Nonlinear Modelling of Daily Exchange Rate
Returns, Volatility and News in a Small Developing Economy.
Applied Economic Letters, 10, 247-250.
Schwert, W. (1989). Stock Volatility and Crash of 87. Review of Financial
Studies, 3, 77102.
Taylor, S. (1986). Modeling Financial Time Series. New York, USA: John
Wiley & Sons Ltd.
Tsay, R. S. (1986). Analysis of Financial Time Series. New York, USA: John
Wiley & Sons Ltd.
Tse, Y. K. ve Tsui, A. K. C. (2002). A Multivariate Generalized
Autoregressive
Conditional
Heteroscedasticity
Model
with
Time-Varying Correlations. Journal of Business and Economic
Statistics, 20, 351-362.
van der Weide, R. (2002). GO-GARCH: A Multivariate Generalized
Orthogonal GARCH Model. Journal of Applied Econometrics, 17,
49-564.
Vrontos, I. D., Dellaportas, P. ve Politis, D. N. (2003). A Full-Factor
Multivariate GARCH Model. Econometrics Journal, 6, 312-334.
Zakoian, J. M. (1994). Threshold Heteroskedastic Models. Journal of
Economic Dynamics and Control, 18, 931-944.

49

EKLER

50

EK I
DVZ KURU GETR SERLERNE LKN OTOREGRESF KOULLU
DEEN VARYANS MODELLER TAHMN SONULARI
TABLO 1A. AVUSTRALYA DOLARINA LKN AR(2)-TARCH(2,2,2) MODEL TAHMN
SONULARI
Baml Deiken : RAUD
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

raud t = b1raud t 1 + b2 raud t 2

Katsay
0.0516
-0.0707

b1
b2
Varyans Denklemi:

Standart Hata
0.0218
0.0219

z-statistii
2.3674
-3.2276

Olaslk
0.0179
0.0012

t2 = c + 1 t21 + 1 t21 ( t 1 < 0) + 1 t21 + 2 t2 2

+ 2 t2 2 ( t 2 < 0) + 2 t2 2

c
1
2
1
2
1
2
T-Dalm Serbestlik Derecesi
2
R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

0.0006
0.1944
-0.1323
-0.1903
0.1322
1.7731
-0.7777
6.2439
0.0363
0.0324
2787.1420
-2838.5230

0.0004
1.6056
0.0302
6.4464
0.0319
-4.1485
0.0290
-6.5704
0.0313
4.2207
0.0366
48.4660
0.0350
-22.2348
0.8226
7.5908
Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

0.1084
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
2.0359
2.5651
2.5908
2.5745

TABLO 2A. KANADA DOLARINA LKN AR(2)-TARCH(1,1,2) MODEL TAHMN

SONULARI
Baml Deiken : RCAD
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

rcad t = b2 rcad t 2
Katsay
-0.0625

b2
Varyans Denklemi:

Standart Hata
0.0206

z-statistii
-3.0279

Olaslk
0.0025

t2 = c + 1 t21 + 1 t21 ( t 1 < 0) + 1 t21 + 2 t2 2

c
1
1
1
2
T-Dalm Serbestlik Derecesi
2
R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

0.0730
0.2726
-0.1750
0.2234
0.5091
6.0155
0.0232
0.0205
2810.0590
-2871.0970

51

0.0130
5.6105
0.0416
6.5522
0.0453
-3.8621
0.0963
2.3203
0.0851
5.9809
0.7774
7.7382
Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

0.0000
0.0000
0.0001
0.0203
0.0000
0.0000
1.9454
2.5917
2.6097
2.5983

TABLO 3A. SVRE FRANKINA LKN AR(2)-TARCH(2,2,2) MODEL TAHMN

SONULARI
Baml Deiken : RCHF
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

rchf t = b1 rchf t 1 + b2 chf t 2

Katsay
0.0439
-0.0582

b1
b2
Varyans Denklemi:

Standart Hata
0.0217
0.0222

z-statistii
2.0171
-2.6281

Olaslk
0.0437
0.0086

t2 = c + 1 t21 + 1 t21 ( t 1 < 0) + 1 t21 + 2 t2 2

+ 2 t2 2 ( t 2 < 0) + 2 t2 2

c
1
2
1
2
1
2
T-Dalm Serbestlik Derecesi
2
R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

0.0010
0.2495
-0.2171
-0.2410
0.2121
1.7242
-0.7313
7.5944
0.0217
0.0177
3592.2490
-3110.1600

0.0006
1.7118
0.0351
7.1144
0.0397
-5.4675
0.0327
-7.3630
0.0380
5.5817
0.0395
43.6964
0.0373
-19.6299
1.1395
6.6649
Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

0.0869
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
2.0504
2.8097
2.8354
2.8191

TABLO 4A. NGLZ STERLNNE LKN AR(2)-EGARCH(2,2,2) MODEL TAHMN

SONULARI
Baml Deiken : RGBP
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:

rgbpt = b1 rgbpt 1 + b2 rgbpt 2

Katsay
0.0718
-0.0582

b1
b2

log( t2 ) = c + 1
Varyans Denklemi:

+2

Standart Hata
0.0217
0.0220

z-statistii
3.3143
-2.6460

Olaslk
0.0009
0.0081

t 1
+ 2 t 2 + 1 t 1
t 1
t 2
t 1

t 2
+ 1 log( t21 ) + 2 log( t2 2 )
t 2

c
1
2
1
2
1
2
T-Dalm Serbestlik Derecesi
R2
Dzeltilmi R2
Hata Kareleri Toplam
Log Olabilirlik

-0.0261
0.2632
-0.2309
0.1438
-0.1361
1.7609
-0.7651
8.1981
0.0372
0.0333
2926.0210
-2895.1250

52

0.0114
-2.2773
0.0410
6.4192
0.0402
-5.7459
0.0280
5.1288
0.0264
-5.1566
0.0787
22.3667
0.0770
-9.9337
1.3632
6.0137
Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

0.0228
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
2.0452
2.6161
2.6417
2.6254

TABLO 5A. JAPON YENNE LKN AR(2)-PARCH(2,2,2) MODEL TAHMN

SONULARI
Baml Deiken : RJPY
Tahmin Yntemi : ML - ARCH (Marquardt) - T Dalm
Ortalama Denklemi:
c
b1
b2

rjpy t = c + b1 rjpy t 1 + b2 rjpy t 2

Katsay
-0.0368
0.0664
-0.0722

z-statistii
-1.9350
3.0434
-3.3095

t = c + ( 1 t 1 + 1 t 1 ) + ( 2 t 2 + 2 t 2 ) + 1 t1

Varyans Denklemi:

Standart Hata
0.0190
0.0218
0.0218

Olaslk
0.0530
0.0023
0.0009

+ 2 t 2

c
1
1
2
2
1
2

T-Dalm Serbestlik Derecesi

2
R
2
Dzeltilmi R
Hata Kareleri Toplam
Log Olabilirlik

0.0023
0.1316
-0.6910
-0.1204
-0.7367
1.6993
-0.7099
1.4134
6.6643
0.0168
0.0119
4472.4270
-3260.0910

53

0.0010
2.3516
0.0301
4.3652
0.1903
-3.6321
0.0312
-3.8581
0.2314
-3.1842
0.0556
30.5572
0.0521
-13.6259
0.2264
6.2429
0.9198
7.2455
Durbin-Watson statistii
Akaike Bilgi Kriteri
Schwarz Bilgi Kriteri
Hannan-Quinn Bilgi Kriteri

0.0187
0.0000
0.0003
0.0001
0.0015
0.0000
0.0000
0.0000
0.0000
2.1105
2.9465
2.9773
2.9578

EK II
GNLK DVZ KURU VOLATLTELER
9

GNLK AVUSTRALYA DOLARI VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 1.B : AR(2)-TARCH(2,2,2) Modelinden Elde Edilen Gnlk Avustralya Dolar

Kuru Volatilitesi

GNLK KANADA DOLARI VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 2.B : AR(2)-TARCH(1,1,2) Modelinden Elde Edilen Gnlk Kanada Dolar Kuru
Volatilitesi

54

GNLK SVRE FRANKI VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 3.B : AR(2)-TARCH(2,2,2) Modelinden Elde Edilen Gnlk svire Frank Kuru
Volatilitesi

GNLK NGLZ STERLN VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 4.B : AR(2)-EGARCH(2,2,2) Modelinden Elde Edilen Gnlk ngiliz Sterlini Kuru
Volatilitesi

55

GNLK JAPON YEN VOLATLTES

8
7
6
5
4
3
2
1
0
ubat 01

Kasm 02

Austos 04

Mays 06

ubat 08

Kasm 09

Grafik 5.B : AR(2)-PARCH(2,2,2) Modelinden Elde Edilen Gnlk Japon Yeni Kuru
Volatilitesi

56