Views
66
Downloands
27
Belirsiz bir değişkenin alabileceği olası tüm değerlerin dağılımının ifadesi olarak volatilite, finansal piyasalardaki varlıkların getirilerinin sergilediği değişkenliği dikkate alması gereken bir yatırımcı için hayati bir olgudur. Sonuç olarak volatilitenin modellenmesi ve tahminlenmesi finansal risk yönetiminde önemli rol oynar. Bu çalışmada GARCH tipi modellerden GARCH(1,1), EGARCH(1,1) ve GJR-GARCH(1,1) modellerine, son yıllarda gittikçe popülaritesi artan güçlü bir makine öğrenmesi metodu olan Destek Vektör Makineleri (DVM) ile yaklaşılmıştır. Bu amaçla 04.01.2007 – 31.12.2012 dönemine ait günlük İMKB ulusal 100 endeksi-kapanış fiyatları kullanılmış ve modellerin klasik çözümü ile DVM çözümlerinin tahminleme performansları kıyaslanmıştır. Elde edilen sonuçlara göre, DVM’ye dayalı karma GARCH modellerinin daha iyi performans gösterdiği gözlenmiştir.
As an expression of the distribution of all the possible values that an uncertain variable may receive, volatility is a vital fact for an investor to take into account the variation that the returns of assets in the financial markets show. As a result, the modeling and prediction of volatility plays an important role in financial risk management. In this study, from GARCH models to GARCH(1,1), EGARCH(1,1) and GJR-GARCH(1,1) models, a powerful machine learning method of support vector machines (DVM) has become increasingly popular in recent years. For this purpose, the daily IMCB 100 index-closure prices for the period 04.01.2007 - 31.12.2012 were used and the predictive performance of the DVM solutions was compared with the classic solution of the models. According to the results obtained, the DVM-based GARCH karma models have been observed to perform better.
Article Detail 
Similar Articles
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley