Finansal piyasaların oynaklığının tahmin edilmesi son zamanlarda uygulama alanında birçok araştırmacının dikkatini çeken konular arasında gelmektedir. Bilindiği üzere, volatilite modellerinin birbirlerine kıyasla üstün özelliklerini ortaya koymaya çalışan birçok araştırma bulunmaktadır. Bu makalede, yatırımcıların risklerini belirleyebilmelerinde kullanılan, birçok finansal uygulamaya konu olan, geleneksel (koşulsuz) ve koşullu varyans modelleri incelenmiştir. Ayrıca, finansal zaman serilerinde sıkça gözlemlenen zamana bağlı değişkenliği gözlemlemek için Box Jenkins ve ARCH ailesi modelleri (ARCHGARCH-EGARCH-TARCH ve GARCH-M) ele alınmış ve 1987-2009 yılları arasında İMKB100 Endeksi verilerinden hareketle çeşitli klasik oynaklık tahminleme modelleri göreceli olarak karşılaştırılmıştır. Araştırma sonuçları, İMKB-100 getiri serisinde kalın kuyruk probleminin bulunduğu, oynaklık kümelenmelerinin olduğu, negatif şokların etkisinin pozitif şoklara oranla daha etkili olduğu ve uzun sürdüğü, veri setinin uzun hafıza içerdiği ve ayrıca TGARCH (1,1)‟in IMKB-100 Endeksi‟nin oynaklağını tahminleyen en iyi model olduğunu ortaya koymuştur

Forecasting the volatility of financial markets is one of the important issues in empirical finance that absorbed the interest of many researchers in the last decade. As it is known, there has been many studies uncovering the properties of competing volatility models. In this study, both traditional (unconditional) and conditional volatility models, which have the implications for finance that investors can predict the risk, are analyzed. In this study, Box-Jenkins model (ARIMA) and ARCH-type models (ARCH-GARCH-EGARCHTARCH and GARCH-M) are discussed for the time–dependence in variance that is regularly observed in financial time series and various classical volatility forecasting approaches are compared using ISE-100 Stock Index for the time period between the years 1987 and 2009. As a result, it is found that IMKB-100 returns series include; leptokurtosis, leverage effects, volatility clustering (or pooling), volatility smile and long memory and TGARCH (1,1) is the best fitting model for modeling the volatility of Ise-100 Index.