Küreselleşme olgusunun 1990’lı yıllarla birlikte baskın hale gelmesiyle birlikte uluslararası ekonomik düzende ülkelerin birbiriyle etkileşim ve entegrasyonunun çarpıcı bir biçimde artmıştır. Bu da iktisadi bağların kuvvetlenmesi, finansal piyasalarda yaşanan hızlı değişimler, pazarlar arasındaki ilişkilerin ve risklerin artmasına yol açmaktadır. Finansal piyasalar hali hazırda ortaya çıkan gelişmelere karşı çok daha hassas hale gelmektedir. Finansla ilgili akademik araştırmalarda özellikle finansal zaman serileri ve bunların öngörüsüne yönelik çalışmalar oldukça önemli bir yer tutmaktadır. Dalgalanma veya oynaklık olarak da ifade edilebilen volatilite kavramı finansal piyasalarda vazgeçilmez bir yere sahiptir. Bundan dolayı, volatilitenin en yüksek duyarlılıkla tahmin edilmesi son derece yararlıdır. Son yıllarda finansal endekslerin oynaklığını tahmin etmek için GARCH (Generalized Autoregressive Conditional Heteroskedasticity-Genelleştirilmiş Otoregresif Koşullu Değişen Varyans) tipi modellerin yanı sıra ANN (Artificial Neural Network-yapay sinir ağları) modelleri de yaygın olarak kullanılmaktadır. Bu araştırmanın amacı, farklı model türlerinin birleştirilmesinin menkul kıymet borsa endeks volatilitesi tahminlerini iyileştirip iyileştiremeyeceğine karar verilmesidir. Bu nedenle, BIST-100 Endeksi volatilitesini tahmin etme yetenekleri açısından iki hibrit model kullanılarak, Asimetrik GARCH modeli ve bir yapay sinir ağı modeli karşılaştırılmıştır. Sonuçlar, bir EGARCH modeli tarafından elde edilen şartlı volatilite tahminlerinin yanı sıra, getirileri ve tarihsel değerleri girdi olarak kabul eden bir yapay sinir ağına dayanan hibrit modelin en iyi tahmin gücünü sağladığını ortaya koymaktadır. Ayrıca, bu hibrit modelin baskınlığı, tahminin geri kalan modelleri de kapsayacak şekilde olmasıdır. Son olarak, Türk borsasında önemli kaldıraç etkileri bulunduğu gösterilmiştir.
After the popularity of the globalization concept in the 1990s, increases in the interaction and integration of countries with each other, economic relationships and financial innovations resulted in high risks and linkages between markets. Financial markets have become more sensitive to new developments. Financial time series and time series forecasting have importance in the finance literature. Volatility, which can be defined as fluctuations and variance, is crucial for financial markets. Thus, forecasting volatility with sensitivity is beneficial. Recently, GARCH (Generalized Auto-Regressive Conditional Heteroscedasticity) Models and ANN (Artificial Neural Network) models have been commonly employed in order to forecast the volatility of financial indexes. The aim of this research is to decide whether combining different types of models can improve the predictions about the volatility of the stock exchange index or not. Therefore, by using two hybrid models in terms of their ability to predict BIST- 100 Index volatility, the asymmetric GARCH model and an artificial neural network model had been compared. The results have revealed that besides conditional volatility predictions obtained by an EGARCH model, the hybrid model based on an artificial neural network that considers returns and historical values as inputs provides the best prediction power. Moreover, the dominance of this hybrid model is that its prediction covers the remaining models. Finally, it has been shown that there have been significant leverage effects in the Turkish stock market.
