Professional Documents
Culture Documents
Hseyin SONGL
Hseyin SONGL
Danman
Prof. Dr. Nadir CAL
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
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
ADF
AR
: Autoregressive (Otoregresif)
ARCH
ARCH-M
ARMA
AUD
: Avustralya Dolar
: Kanada Dolar
CCC-GARCH
CHF
: svire Frank
EGARCH-M
EKK
: En Kk Kareler
EUR
: Euro
EVDS
F-GARCH
FF-GARCH
GARCH
GARCH-M
GBP
: ngiliz Sterlini
GO-GARCH
GOF-GARCH
IGARCH
JPY
: Japon Yeni
ME-GARCH
PARCH
PARCH-M
TARCH
TARCH-M
TCMB
TRY
: Trk Liras
USD
VEC-GARCH
VC-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
Kelimeler:
Tek
Deikenli
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
and
Euro
returns
are
mots
successfully
modelled
by
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.
makroekonomi
ile
hisse
senedi
piyasas
arasndaki
ilikinin
hareketli
ortalama
(ARMA)
sreci
olarak
modelleyerek
saland
bir
modele
dntrlebilmektedir.
Bu
koymutur.
Bollerslev
(1990),
koullu
korelasyonlarn
sabit
olduu
olduka
sadeletii
Sabit
Koullu
Korelasyon
GARCH
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
gsteren
otokorelasyonun
ARCH
olarak
isimlendirilen
bir
teknikle
(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)
(1.3)
(1.4)
( )
t ( y t +1 0 1 y t ) = t t2+1 = 2
2
(1.5)
(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
(1.8)
Var y t +1 y t = t ( y t +1 0 1 y t ) = t t2+1
2
olmaktadr.
(1.9)
amaca
ynelik
olarak
kullanlabilecek
basit
bir
strateji
olarak
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,
(1.11)
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.
t = t ( o + 1 t21 )
1/ 2
] = (
t
+ 1 t21 )
1/ 2
=0
(1.13)
[ (
)]
t2 = t2 0 + 1 t21 = t2 0 + 1 t21
(1.14)
(1.15)
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)
(1.18)
(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 )
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)
(1.23)
i =0
[(
)]
(1.24)
(1.25)
t2 = + i t2i
(1.26)
i =1
eklinde
ifade
edilmektedir.
Sz
konusu
modelde,
(1.25)
ortalama
t2 = + i t2i + t
(1.27)
i =1
10
Var ( t ) = 2 = (1 1 ... p )
(1.28)
(1.29)
(1.30)
olacaktr ki her iki deer de normal dalmn basklnn ald deer olan
ten byktr.
11
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
f 1 ,K, p
ortak olaslk
f 1 ,K, T =
t = p +1
2
exp t 2
2 t2
2 t
1
f 1 ,K, p
12
(1.31)
fonksiyonu,
2
exp t 2
2 t2
2 t
1
f p +1 ,K , T , 1 ,K , p =
t = p +1
(1.32)
( )
eklindeki
koullu
2 ln(2 )
1
t = p +1
2
t
2
t
log-olabilirlik
fonksiyonu
elde
(1.33)
edilmektedir.
Bu
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
t =
/ ( 2 )
2
1 + t
f t =
( / 2 ) ( 2 ) 2
13
( +1) / 2
(1.35)
f p +1 ,K, T , A p =
t = p +1
t2
1
+
2
( 2) t
(( + 1) / 2)
( / 2) ( 2) t
(1.36)
( +1) / 2
+ 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)
i =1
j =1
14
(1.40)
iin
i0,
w>0,
i0
ve
max( q , p )
i =1
( i + i ) < 1
koullarnn
t2 = +
max( p , q )
(
i =1
+ i ) t2i + t j t j
(1.41)
j =1
( )
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)
h2 (1) = + 1 h2 + 1 h2
(1.45)
h2 (l ) =
1 ( 1 + 1 )l 1
l 1
+ ( 1 + 1 ) h2 (1)
1 1 1
(1.46)
1 1 1
(1.47)
i =1
j =1
t2 = + i t2i + j t2 j + t
eklinde de kurulabilmektedir.
16
(1.48)
beklenen
riskiyle
ilikili
olduu
finansal
uygulamalarda
(1.49)
t2 = + t21 + t21
(1.50)
eklinde
gsterilmektedir.
Bu
modelin
iki
farkl
biiminde
ortalama
(1.51)
( )
Rt = X t + log t2 + t
(1.52)
gsterilebilmektedir.
Bu
denklem
(1.53)
esas
olarak
t2 iin
bir
17
alnarak
modellendii
ssel
GARCH
(EGARCH)
modelini
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)
t = + i+ ( t i > 0 ) t i + i ( t i 0 ) t i
i _1
18
]+
q
j =1
t j
(1.55)
i =1
j =1
t = + i t i + j t j
(1.56)
t = + i ( t i i t i ) + j t j
p
i _1
(1.57)
j =1
19
KNC BLM
OK DEKENL GENELLETRLM OTOREGRESF KOULLU
DEEN VARYANS MODELLER
Varlk
getirilerinin
ikinci
sra
momentleri
arasndaki
zaman
deikenli
GARCH
modelleri
kayda
deer
etkinlik
kazanmlar
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
karn,
apraz
iliki
dinamikleri
asndan
son
derece
20
(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)
) = H
(2.5)
21
ile
hata
karelerinin
gecikmeli
deerleri
ve
hatalarn
Aj
ve
modelinde
koullu
varyans,
Bj
j =1
j =1
(2.6)
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)
22
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)
1
l ( ) = c 2 ln H
t =1
t =1
1 T
tH t1 t
2 t =1
(2.9)
23
saland
bir
modele
dntrlebilmektedir.
Bu
(2.10)
j =1 k =1
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
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
Matris
ssel
GARCH
yapl
bir
matris,
A,
ve
Fi
srasyla
(N(N+1)/2)N,
i =1
i =1
)
(2.12)
+ Bi vech(ln H t i C )
i =1
exp(S ) =
i =0
Si
i!
(2.13)
25
H t = + k k f k ,t
(2.14)
k =1
(2.15)
ve
faktrlerinin
bir
GARCH
sreci
takip
ettii
varsaylmaktadr.
t = W t
(2.16)
(2.17)
H t = (I A B ) + A ( t 1 t1 ) + BH t1
26
(2.18)
direkt
olarak
edilmektedir. Modelin
koullu
enformasyon
kullanlarak
tahmin
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)
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
j =1
j =1
ht = + A j t(2)j + B j ht j
(2.22)
(2.23)
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)
(2.25)
(2.26)
Pt = (I Qt )
1 / 2
Qt (I Qt )
1 / 2
(2.27)
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
30
etkilerini
EGARCH
modeli
erevesinde
incelemiler
ve
bu
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.
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
32
ERt
100
Rt = log
ERt 1
(3.1)
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
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
RAUD
RCAD
RCHF
REUR
RGBP
RJPY
RUSD
(1) Gecikme uzunluu btn seriler iin Schwarz bilgi kriterine gre 1 olarak seilmitir.
ADF regresyonlarnda katsays iin hesaplanan geleneksel t istatistii, istatistii olarak adlandrlmaktadr.
34
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
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)
(3.10)
(3.11)
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
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.
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:
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
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
ortalama
denklemine
aklayc
bir
deiken
olarak
dahil
39
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
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
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
Gecikme
1
2
3
4
5
10
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)
41
AR(2)-TARCH(1,1,1)
modeliye
tahmininden
elde
edilen
gnlk
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
42
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
43
44
DRDNC BLM
SONU VE NERLER
Geleneksel
ekonometride,
zaman
serisi
almalarnda
varyanslln
iaretleri
olarak
deerlendirilen
oynaklk
45
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
48
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:
b1
b2
Varyans Denklemi:
Standart Hata
0.0218
0.0219
z-statistii
2.3674
-3.2276
Olaslk
0.0179
0.0012
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
rcad t = b2 rcad t 2
Katsay
-0.0625
b2
Varyans Denklemi:
Standart Hata
0.0206
z-statistii
-3.0279
Olaslk
0.0025
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
b1
b2
Varyans Denklemi:
Standart Hata
0.0217
0.0222
z-statistii
2.0171
-2.6281
Olaslk
0.0437
0.0086
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
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
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
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
8
7
6
5
4
3
2
1
0
ubat 01
Kasm 02
Austos 04
Mays 06
ubat 08
Kasm 09
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
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
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
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