Koşullu Volatilitenin Modellenmesinde Destek Vektör Makinesi GARCH Modeli Ve Türk Finans Piyasaları Üzerine Bir Uygulama (Support Vector Machine GARCH Model in Modelling Conditional Volatility and an Application to Turkish Financial Markets)

Abstract

The English version of this paper can be found at: http://ssrn.com/abstract=2227747

Çalışma, temel GARCH modelinin Destek Vektör Makinesi ve Yapay Sinir Ağları ile iyileştirilmiş modellerin incelenerek GARCH modelinin tahmin performansının iyileştirilmesi bakımından başarısının test edilmesini amaçlamaktadır. YSA yapısının temel alındığı NN-GARCH modelinde Donaldson ve Kamstra (1997) NN-GARCH mimarisinin temel alındığı ve farklı öğrenme algoritmaları ile modellendiği Bildirici ve Ersin (2009) temel alınırken, SVR-GARCH modelinin oluşturulmasında Ou ve Wang (2010) ve Perez-Cruz (2003) çalışmalarından hareket edilmiştir. Modeller, tahmin başarısı bakımından değerlendirilmiştir. Bu kapsamda, IMKB-100 endeksinde günlük getiriler modellenmesinde temel alınan GARCH, SVR-GARCH ve MLP-GARCH modelleri, örneklem içi ve örneklem dışı tahmin başarısı açısından değerlendirilmiştir. Ampirik bulgular çerçevesinde, seride öne çıkan leptokurtik dağılıma ek olarak asimetri ve doğrusal olmama karakteristiklerinin SVR-GARCH ve MLP-GARCH modelleri ile modellenebileceği; farklı hata kriterleri ve eşit tahmin tutarlılığı testleri kapsamında temel GARCH modellerinden başarılı bulunduğu; örneklem dışı tahmin başarısı bakımından ise, Diebold Mariano testlerinden hareketle SVR-GARCH ve MLP-GARCH modelleri için eşit tahmin tutarlılığının 8 farklı gelecek tahmininden 6'sı için reddedilememekte iken; 2'si için ise SVR-GARCH modelinin daha başarılı bulunduğu sonuçlarına varılmaktadır.

The study aims to augment commonly applied volatility models with support vector machines and neural networks. The proposed modeling strategy benefits from neural network based GARCH models of Donaldson and Kamstra (1997) and SVR-GARCH models discussed by Ou and Wang (2010) and Perez-Cruz (2003). Models are evaluated for in-sample and out-of-sample forecasting of daily returns in Istanbul ISE100 stock index. Results suggest that volatility clustering, asymmetry and nonlinearity characteristics are modeled more effectively with SVR-GARCH and MLP-GARCH models compared to the basic GARCH models. In terms of out-of-sample forecasting capabilities, Diebold-Mariano tests show that equal forecast accuracy could not be rejected for most of the horizons for the MLP-GARCH and SVR-GARCH models. On the other hand, SVR-GARCH is found to possess better forecast accuracy in 2 out of 8 forecast competitions.

Note: Downloadable document is in Turkish.

Keywords: volatility, Stock Returns, ARCH, Support Vector Machine, Neural Network

JEL Classification: G12, C32, C52, C53