Genelleştirilmiş Otoregresif Koşullu Değişen Varyans Modelleri İle Bitcoin Volatilitesinin Analizi

Amaç – Son on yılda finans alanında dijital inovasyonlar özellikle Blockchain teknolojisine bağlı olarak ortaya çıkmaktadır. Blockchain teknolojisinin tüm dünyada en yaygın olarak kullanıldığı ürün ise kripto para birimleridir. Kripto para birimleri içerisinde Bitcoin gerek piyasa kapitalizasyonu gerekse işlem hacmi ile dikkat çekmektedir. Bitcoin volatilitesinin analizi hem teorik hem de pratik açıdan büyük öneme sahiptir. Bu nedenle araştırma Bitcoin yatırım analizinde en uygun volatilite modelinin belirlenerek yatırımcıya gelecek öngörüsünde kullanılabilecek bir model önerisi sunulmasını amaçlamaktadır. Yöntem – Bu çalışmada Bitcoin volatilitesinin analiz edilmesi için 29.04.2013-17.04.2019 tarihleri arasındaki günlük logaritmik getiri serileri kullanılmıştır. Getiri serileri hesaplanırken günlük Bitcoin kapanış fiyatları esas alınmıştır. Araştırma yöntemi olarak genelleştirilmiş otoregresif koşullu değişen varyans (GARCH) modelleri kullanılmıştır. Bu çalışma kapsamında Bitcoin logaritmik getiri serisinin volatilite modellemesi için ARCH, GARCH, GJR/TARCH, EGARCH, APARCH ve CGARCH tipi modeller karşılaştırılmıştır. Bulgular – Çalışma Bitcoin volatilitesinin analizi için en uygun yöntemin EGARCH modeli olduğuna dair bulgular elde etmiştir. Araştırma kapsamında elde edilen bir diğer önemli bulgu ise Bitcoin getirileri üzerinde negatif şokların, pozitif şoklardan daha etkili olduğudur. Tartışma – Çalışma yeni ve dijital bir ürün olan Bitcoin volatilitesinin dinamiklerini çeşitli modellerle ve güncel veri setiyle analiz etmesi bakımından literatüre katkı sunmaktadır. Bitcoin yatırımcıları ve araştırmacıları çalışma sonucunda elde edilen volatilite denklemini kullanarak getiri öngörüsünde bulunabilirler. Çalışmanın bir diğer çıktısı Bitcoin getirilerini negatif haberlerin daha fazla etkilediğidir. Yatırımcılar bu bilgiyi kullanarak Bitcoin fiyatları konusunda pozisyon alabileceklerdir.

Analysis of Bitcoin Volatility with Generalized Autoregressive Conditional Heteroskedastic Models

Purpose – In the last decade, digital innovations in the field of finance emerge mainly due to Blockchain technology. The most widely used product of Blockchain technology in the world is cryptocurrencies. Bitcoin draws attention to both market capitalization and transaction volume. The analysis of the volatility of Bitcoin has great significance both theoretically and practically. Therefore, the research aims to determine the most suitable volatility model in Bitcoin investment analysis and present a model suggestion that can be used for predicting the future. Design/methodology/approach – In this study, daily logarithmic return series between 29.04.2013- 17.04.2019 are used to analyze Bitcoin volatility. While calculating the return series, daily closing prices of Bitcoin are based on. As a research method, generalized autoregressive conditional heteroskedastic (GARCH) models are tested. In this study, ARCH, GARCH, GJR / TARCH, EGARCH, APARCH, and CGARCH type models are compared for volatility modeling of Bitcoin logarithmic return series. Findings – The study found that the best method for the analysis of Bitcoin volatility is the EGARCH model. Another important finding of the study is that negative shocks are more effective on Bitcoin returns than positive shocks. Discussion – The study contributes to the literature in terms of analyzing the dynamics of Bitcoin volatility, which is a new and digital product, with various models and current data set. Bitcoin investors and researchers can predict returns by using the volatility equation in result of this research. Another output of the study is that negative news effects Bitcoin returns more than positive news. Using this information, traders will be able to take positions on Bitcoin prices.

PDF

___

Ardia, D., Bluteau, K., & Rüede, M. (2019). Regime Changes in Bitcoin GARCH Volatility Dynamics. Finance Research Letters, 29, 266-271.
Balcilar, M., Bouri, E., Gupta, R., & Roubaud, D. (2017). Can Volume Predict Bitcoin Returns and Volatility? A Quantiles-based Approach. Economic Modelling, 64, 74-81.
Baur, D. G., Hong, K., & Lee, A. D. (2018). Bitcoin: Medium of Exchange or Speculative Assets?. Journal of International Financial Markets, Institutions and Money, 54, 177-189.
Blau, B. M. (2017). Religiosity and the Volatility of Stock Prices: A Cross-Country Analysis. Journal of Business Ethics, 144(3), 609-621.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
Bouoiyour, J., & Selmi, R. (2016). Bitcoin: A Beginning of A New Phase. Economics Bulletin, 36(3), 1430-1440.
Böhme, R., Christin, N., Edelman, B., & Moore, T. (2015). Bitcoin: Economics, Technology, and Governance. Journal of Economic Perspectives, 29(2), 213-38.
Brooks, C. (2008). Introductory Econometrics for Finance.
Cerqueti, R., Giacalone, M., & Mattera, R. (2020). Skewed non-Gaussian GARCH models for cryptocurrencies volatility modelling. Information Sciences, 527, 1-26.
Chu, J., Chan, S., Nadarajah, S., & Osterrieder, J. (2017). GARCH Modelling of Cryptocurrencies. Journal of Risk and Financial Management, 10(4), 17.
Demireli, E., & Torun, E. (2010). Alternatif Piyasa Oynaklıklarında Meydana Gelen Kırılmaların ICSS Algoritmasıyla Belirlenmesi ve Süregenliğe Etkileri: Türkiye ve Londra Örneği. Muhasebe ve Finansman Dergisi, (46), 129-145.
Ding, Z., Granger, C. W., & Engle, R. F. (1993). A Long Memory Property of Stock Market Returns and A New Model. Journal of Empirical Finance, 1(1), 83-106.
Ding, D. (2011). Modeling of Market Volatility with APARCH Model.
Dyhrberg, A. H. (2016). Bitcoin, Gold and the Dollar–A GARCH Volatility Analysis. Finance Research Letters, 16, 85-92.
Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica: Journal of the Econometric Society, 987-1007.
Erözel Durbilmez, S. ve Yılmaz Türkmen, S. (2019). Blockchain Teknolojisi ve Türkiye Finans Sektöründeki Durumu. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 4(1), 30-45.
Ertuğrul, M. (2019). Kripto Paraların Volatilite Dinamiklerinin İncelenmesi: Garch Modelleri Üzerine Bir Uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 17(4), 59-71.
Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. The Journal of Finance, 48(5), 1779-1801.
Gujarati, D. N., & Porter, D. C. (1999). Essentials of Econometrics (Vol. 2). Singapore: Irwin/McGraw-Hill.
Guesmi, K., Saadi, S., Abid, I., & Ftiti, Z. (2019). Portfolio Diversification with Virtual Currency: Evidence from Bitcoin. International Review of Financial Analysis, 63, 431-437.
Hull, J. (2009). Options, Futures and Other Derivatives. Pearson Education.
Iansiti, M., & Lakhani, K. R. (2017). The Truth about Blockchain. Harvard Business Review, 95(1), 118-127.
Katsiampa, P. (2017). Volatility Estimation for Bitcoin: A Comparison of GARCH Models. Economics Letters, 158, 3-6.
McMillan, D., Speight, A., & Apgwilym, O. (2000). Forecasting UK stock market volatility. Applied Financial Economics, 10(4), 435-448.
Mandelbrot, B. (1963). New Methods in Statistical Economics. Journal of Political Economy, 71(5), 421-440.
Nakamoto, S. (2008). Bitcoin: A Peer-to-peer Electronic Cash System.
Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica: Journal of the Econometric Society, 347-370.
Schwert, G. W. (1989). Why Does Stock Market Volatility Change Over Time?. The Journal of Finance, 44(5), 1115-1153.
Söylemez, Y. & Türkmen, S.Y. (2019). Bitcoin Volatilitesinin Analizinde Markov Rejim Değişken Karar Destek Modellerinin Kullanılması, 23.Uluslararası Finans Sempozyumu Bildiri Kitabı, Antalya, s.369-381.
Şahin, E. E., & Özkan, O. (2018). Asimetrik Volatilitenin Tahmini: Kripto Para Bitcoin Uygulaması. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3(2), 240-247.
Taylor, S.J. (1986) Modelling Financial Time Series. John Wiley and Sons, Ltd., Chichester.
Troster, V., Tiwari, A. K., Shahbaz, M., & Macedo, D. N. (2019). Bitcoin returns and risk: A general GARCH and GAS analysis. Finance Research Letters, 30, 187-193.
Urquhart, A. (2017). Price Clustering in Bitcoin. Economics Letters, 159, 145-148.
https://www.blockchain.com, Erişim Tarihi: 19.06.2019.
https://www.coinmarketcap.com, Erişim Tarihi: 19.04.2019.