Döviz Piyasalarında Asimetrik Volatilite Bağlantılılığı: Kötü ve İyi Volatilite Yayılımları

İçindekiler

• 1. Giriş
• 2. Metodoloji
  • 2.1 Volatilite Bağlantılılığının Ölçülmesi
  • 2.2 Asimetrik Yarı Varyans Çerçevesi
  • 2.3 Veri ve Örneklem
• 3. Ampirik Bulgular
  • 3.1 Toplam Bağlantılılık Dinamikleri
  • 3.2 Asimetrik Yayılım Modelleri
  • 3.3 Net Yayılım Analizi
• 4. Temel Çıkarımlar
• 5. Teknik Detaylar ve Matematiksel Formülasyon
• 6. Deneysel Sonuçlar ve Grafikler
• 7. Analitik Çerçeve Örneği
• 8. Uygulama Görünümü ve Gelecek Yönelimler
• 9. Özgün Analiz
• 10. Kaynakça
• 11. Uzman Yorumu: Temel İçgörü, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir Çıkarımlar

1. Giriş

Asimetrik volatilite olgusu (AVO), iyi belgelenmiş bir stilize gerçektir: finansal piyasalarda volatilite, piyasa düşüşlerinin ardından daha yüksek, yükselişlerin ardından ise daha düşüktür. Bununla birlikte, AVO yoğun bir şekilde incelenmiş olsa da, volatilite yayılımlarındaki asimetriler—yani kötü ve iyi volatilitenin varlıklar arasında nasıl yayıldığı—çok daha az ilgi görmüştür. Baruník, Kočenda ve Vácha (2016) tarafından yapılan bu çalışma, en aktif işlem gören para birimleri için 2007-2015 yılları arasındaki yüksek frekanslı gün içi verilerini kullanarak döviz piyasalarındaki asimetrik volatilite bağlantılılığını araştırarak bu boşluğu doldurmaktadır.

Yazarlar, özellikle Avrupa borç krizi sırasında, negatif (kötü) volatilite yayılımlarının pozitif (iyi) olanlara göre daha baskın olduğunu belgelemektedir. Pozitif yayılımlar, subprime krizi, merkez bankaları arasındaki farklılaşan para politikaları ve emtia piyasası gelişmeleri ile ilişkilidir. Çalışma, mali faktörlerin net negatif yayılımlarla bağlantılı olduğuna, para ve reel ekonomi olaylarının bir kombinasyonunun ise net pozitif asimetrileri yönlendirdiğine dair yeni kanıtlar sunmaktadır.

2. Metodoloji

2.1 Volatilite Bağlantılılığının Ölçülmesi

Yazarlar, yayılımları ölçmek için vektör otoregresyonlarından (VAR) varyans ayrıştırmasını kullanan Diebold ve Yilmaz (2015) bağlantılılık çerçevesini kullanmaktadır. Toplam bağlantılılık endeksi, varlıklar arası şoklar tarafından katkıda bulunulan tahmin hatası varyansının oranını ölçer. Volatilitenin ileticilerini ve alıcılarını belirlemek için yönlü yayılımlar (diğerlerine, diğerlerinden) ve net yayılımlar hesaplanır.

2.2 Asimetrik Yarı Varyans Çerçevesi

Asimetriyi yakalamak için yazarlar, Barndorff-Nielsen, Kinnebrock ve Shephard (2010) temel alarak gerçekleşen volatiliteyi düşüş (kötü) ve yükseliş (iyi) yarı varyanslarına ayırmaktadır. Kötü volatilite negatif getirilerle, iyi volatilite ise pozitif getirilerle ilişkilidir. Bağlantılılık ölçütleri daha sonra kötü ve iyi volatilite bileşenleri için ayrı ayrı hesaplanarak asimetrik yayılım dinamiklerinin tanımlanmasına olanak tanır.

2.3 Veri ve Örneklem

Veri seti, altı ana döviz çifti için 5 dakikalık gün içi verileriyle 2007-2015 dönemini kapsamaktadır: EUR/USD, GBP/USD, USD/JPY, USD/CHF, AUD/USD ve USD/CAD. Örneklem dönemi, küresel finansal krizi, Avrupa borç krizini ve sonraki politika farklılaşmalarını içermektedir. Gerçekleşen volatilite ve yarı varyanslar, gün içi getirilerden günlük olarak hesaplanır.

3. Ampirik Bulgular

3.1 Toplam Bağlantılılık Dinamikleri

Toplam bağlantılılık endeksi zaman içinde dalgalanmakta ve kriz dönemlerinde zirve yapmaktadır. Ortalama toplam bağlantılılık, para birimleri arasında önemli bir karşılıklı bağımlılığı gösteren yaklaşık %60 civarındadır. Zirveler, bağlantılılığın %80'in üzerine çıktığı 2008 finansal krizi ve 2011-2012 Avrupa borç krizi sırasında meydana gelmektedir.

3.2 Asimetrik Yayılım Modelleri

Kötü volatilite yayılımları, iyi volatilite yayılımlarından sürekli olarak daha büyüktür. Ortalama kötü bağlantılılık yaklaşık %65 iken, iyi bağlantılılık yaklaşık %55'tir. Asimetri, kötü yayılımların baskın olduğu Avrupa borç krizi sırasında en belirgindir. Pozitif yayılımlar, subprime krizi ve para politikası farklılaşması dönemlerinde daha belirgindir.

3.3 Net Yayılım Analizi

Net yayılım analizi, EUR/USD'nin Avrupa borç krizi sırasında kötü volatilitenin net bir ileticisi olduğunu, USD/JPY'nin ise net bir alıcı olarak hareket ettiğini ortaya koymaktadır. AUD/USD, emtia patlamaları sırasında net pozitif yayılımlar göstermektedir. Net asimetri (kötü eksi iyi), kriz dönemlerinde çoğu para birimi için pozitiftir ve kötü volatilitenin daha güçlü bir şekilde yayıldığını doğrulamaktadır.

4. Temel Çıkarımlar

• Kötü Volatilitenin Baskınlığı: Negatif yayılımlar, özellikle krizler sırasında, pozitif olanlardan sürekli olarak daha büyüktür.
• Olay Kaynaklı Asimetri: Mali olaylar (devlet borcu) net negatif yayılımları yönlendirir; para ve reel ekonomi olayları ise net pozitif yayılımları yönlendirir.
• Para Birimi Heterojenliği: Farklı para birimleri, kötü/iyi volatilitenin ileticileri veya alıcıları olarak farklı roller sergiler.
• Portföy Çıkarımları: Asimetrik yayılımların, korunma ve çeşitlendirme stratejileri için doğrudan sonuçları vardır.

5. Teknik Detaylar ve Matematiksel Formülasyon

Gerçekleşen volatilite, düşüş ve yükseliş yarı varyanslarına ayrıştırılır:

$RV_t = \sum_{i=1}^{N} r_{t,i}^2$

$RS^-_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} < 0)$

$RS^+_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} > 0)$

burada $r_{t,i}$ gün içi getiriyi ve $I(\cdot)$ gösterge fonksiyonunu temsil eder. Bağlantılılık ölçütleri, $p$ dereceli bir VAR modeline dayanmaktadır:

$\mathbf{x}_t = \sum_{k=1}^{p} \mathbf{\Phi}_k \mathbf{x}_{t-k} + \mathbf{\epsilon}_t$

$H$ adım ilerisi tahmin hatası varyans ayrıştırması, $d_{ij}$'nin $j$ değişkeninin $i$ değişkeninin tahmin hatası varyansına katkısı olduğu yayılım matrisi $\mathbf{D}$'yi verir. Toplam bağlantılılık endeksi şöyledir:

$C = \frac{\sum_{i \neq j} d_{ij}}{\sum_{i,j} d_{ij}} \times 100$

Yönlü yayılımlar (diğerlerinden, diğerlerine) ve net yayılımlar, kötü ve iyi yarı varyanslar için ayrı ayrı benzer şekilde hesaplanır.

6. Deneysel Sonuçlar ve Grafikler

Şekil 1: Zaman içinde toplam bağlantılılık endeksi (2007-2015). Endeks, 2008 finansal krizi ve 2011-2012 Avrupa borç krizi sırasında %80'in üzerine çıkarak zirve yapmakta ve taban çizgisi %60 civarında seyretmektedir.

Şekil 2: Kötü ve iyi volatilite bağlantılılığı. Kötü bağlantılılık endeksi (düz çizgi) sürekli olarak iyi bağlantılılık endeksinin (kesikli çizgi) üzerinde yer almakta ve ortalama fark 10 puan olmaktadır.

Şekil 3: Her bir para birimi için net asimetrik yayılımlar (kötü eksi iyi). EUR/USD, 2011-2012 döneminde büyük bir pozitif net asimetri gösterirken, USD/JPY aynı dönemde negatif net asimetri göstermektedir.

Tablo 1: Ortalama yönlü yayılımlar (2007-2015). EUR/USD, varyansının %25'ini diğerlerine (kötü volatilite) iletirken, bu oran iyi volatilite için %18'dir. USD/JPY, diğerlerinden %30 (kötü) alırken, bu oran iyi volatilite için %22'dir.

7. Analitik Çerçeve Örneği

Vaka Çalışması: Avrupa Borç Krizi (2011-2012)

Bu dönemde, EUR/USD'den diğer para birimlerine kötü volatilite yayılımları keskin bir şekilde artmıştır. EUR/USD için net asimetri +15 puan seviyesine ulaşmıştır; bu, kötü volatilitenin iyi olandan çok daha fazla yayıldığı anlamına gelmektedir. USD/JPY için net asimetri -10 puan olup, bunun kötü volatilitenin net bir alıcısı olduğunu göstermektedir. Bu asimetri, riskten kaçış hissiyatını tetikleyen ve JPY ve USD gibi güvenli liman para birimlerine kaçışa yol açan Euro Bölgesi'ndeki mali endişelere atfedilmektedir.

Pratik Uygulama: EUR/USD ve USD/JPY pozisyonları taşıyan bir portföy yöneticisinin, krizler sırasında korunma oranlarını ayarlaması gerekecektir; çünkü kötü volatilite yayılımları korelasyonları güçlendirir ve çeşitlendirme faydalarını azaltır. Asimetrik bağlantılılık çerçevesini kullanan yönetici, hangi para birimlerinin kötü volatilitenin net ileticileri olduğunu belirleyebilir ve korunma önlemlerini buna göre artırabilir.

8. Uygulama Görünümü ve Gelecek Yönelimler

Asimetrik volatilite bağlantılılığı çerçevesinin döviz piyasalarının ötesinde geniş uygulamaları bulunmaktadır. Gelecek araştırmalar analizi aşağıdaki alanlara genişletebilir:

• Kripto Para Piyasaları: Çerçevenin, aşırı volatilite ve potansiyel asimetriler sergileyen Bitcoin ve diğer dijital varlıklara uygulanması.
• Varlıklar Arası Yayılımlar: Hisse senetleri, tahviller, emtialar ve para birimleri arasındaki asimetrilerin eş zamanlı olarak incelenmesi.
• Gerçek Zamanlı İzleme: Sistemik risk birikimini tespit etmek için asimetrik yayılım endekslerine dayalı erken uyarı sistemlerinin geliştirilmesi.
• Politika Analizi: Merkez bankası müdahalelerinin asimetrik volatilite yayılımı üzerindeki etkisinin değerlendirilmesi.
• Makine Öğrenimi Entegrasyonu: Asimetrik yayılımları tahmin etmek ve dinamik korunma stratejilerini optimize etmek için sinir ağlarının kullanılması.

9. Özgün Analiz

Bu makale, önceki çalışmalarda büyük ölçüde göz ardı edilen bir boyut olan asimetriyi dahil ederek volatilite bağlantılılığı literatürünü genişleterek önemli bir katkı yapmaktadır. Yüksek frekanslı veri ve yarı varyans ayrıştırmasının kullanımı metodolojik olarak sağlamdır ve ayrıntılı içgörüler sağlamaktadır. Kötü volatilitenin mali krizler sırasında baskın olması ve iyi volatilitenin para politikası farklılaşmalarıyla bağlantılı olması bulgusu ekonomik olarak sezgiseldir ve kaldıraç etkisi literatürüyle (Black, 1976) uyumludur.

Bununla birlikte, çalışmanın sınırlamaları bulunmaktadır. Örneklem, farklı asimetri modelleri sergileyebilecek gelişmekte olan piyasa para birimlerini hariç tutarak altı ana döviz çiftiyle sınırlıdır. VAR tabanlı bağlantılılık ölçütü, aşırı olaylar sırasında doğrusal olmayan bağımlılıkları yakalayamayabilecek doğrusallığı varsaymaktadır. Ek olarak, nedensel faktörlerin (mali ve parasal) tanımlanması, resmi nedensellik testinden ziyade anlatısal korelasyona dayanmaktadır.

ABD hisse senetleri üzerine Baruník ve diğerleri (2016) ile karşılaştırıldığında, döviz piyasası daha yüksek genel bağlantılılık ancak benzer asimetri modelleri göstermektedir. Bu, volatilite yayılımlarındaki asimetrinin varlığa özgü bir anomali değil, finansal piyasaların evrensel bir özelliği olduğunu göstermektedir. Sonuçlar ayrıca Diebold ve Yilmaz (2015)'ın çalışmalarını bağlantılılık analizine yeni bir boyut ekleyerek tamamlamaktadır.

Pratik bir bakış açısıyla, bulguların risk yönetimi için doğrudan etkileri vardır. Portföy yöneticileri, korunma önlemleri oluştururken asimetrik yayılımları hesaba katmalıdır; çünkü korelasyonlar yükselişlerden ziyade düşüşler sırasında daha fazla artmaktadır. Düzenleyiciler, sistemik riski izlemek için asimetrik bağlantılılığı makro ihtiyati bir araç olarak kullanabilir; zira kötü yayılımlardaki ani artışlar genellikle krizlerden önce gelir.

10. Kaynakça

• Baruník, J., Kočenda, E., & Vácha, L. (2016). Asymmetric volatility connectedness on forex markets. arXiv:1607.08214.
• Baruník, J., Kočenda, E., & Vácha, L. (2015). Asymmetric volatility connectedness: A new approach and evidence from oil commodities. Energy Economics, 52, 220-235.
• Barndorff-Nielsen, O. E., Kinnebrock, S., & Shephard, N. (2010). Measuring downside risk: Realised semivariance. In Volatility and Time Series Econometrics (pp. 117-136). Oxford University Press.
• Black, F. (1976). Studies of stock price volatility changes. Proceedings of the 1976 Meetings of the American Statistical Association, 171-181.
• Diebold, F. X., & Yilmaz, K. (2015). Financial and Macroeconomic Connectedness: A Network Approach to Measurement and Monitoring. Oxford University Press.
• Kitamura, Y. (2010). Testing for intraday interdependence and volatility spillover among the euro, the pound and the Swiss franc. Journal of International Money and Finance, 29(5), 943-960.
• BIS (2013). Triennial Central Bank Survey: Foreign exchange turnover in April 2013. Bank for International Settlements.

11. Uzman Yorumu: Temel İçgörü, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir Çıkarımlar

Temel İçgörü: Bu makale sadece volatilite yayılımlarını ölçmekle kalmıyor, aynı zamanda döviz piyasalarında kötü haberlerin iyi haberlerden daha hızlı ve daha uzağa yayıldığını kanıtlıyor. Asimetri istatistiksel bir yapaylık değildir; farklı ekonomik rejimler tarafından yönlendirilen yapısal bir özelliktir: mali krizler kötü yayılımları güçlendirirken, para politikası farklılaşmaları iyi yayılımları yönlendirir. Bu, döviz korelasyonlarının simetrik olduğunu düşünen herkes için oyunun kurallarını değiştiren bir bulgudur.

Mantıksal Akış: Yazarlar net bir boşlukla başlıyor: herkes volatilitenin asimetrik olduğunu biliyor, ancak hiç kimse yayılımların asimetrik olup olmadığını test etmemiş. Gerçekleşen volatiliteyi kötü ve iyi yarı varyanslarına ayırarak ve ardından bunları Diebold-Yilmaz bağlantılılık çerçevesine entegre ederek titiz bir metodoloji oluşturuyorlar. Ampirik bölüm iyi yapılandırılmıştır: önce toplam bağlantılılık, sonra asimetri, ardından net yayılımlar ve son olarak ekonomik yorum. Akış mantıklı ve takip etmesi kolay olmakla birlikte, nedensellik iddiaları (mali ve parasal) kanıtlanmaktan ziyade daha çok ima niteliğindedir.

Güçlü ve Zayıf Yönler: En büyük güç, yenilikçiliktir—bu, döviz piyasalarında asimetrik volatilite bağlantılılığını belgeleyen ilk makaledir. Yüksek frekanslı verinin (5 dakika) kullanımı önemli bir artıdır; çünkü günlük verinin kaçıracağı gün içi dinamikleri yakalar. Yarı varyans ayrıştırması zarif ve teorik olarak temellendirilmiştir. Bununla birlikte, örneklem, farklı davranabilecek gelişmekte olan piyasa para birimlerini göz ardı ederek altı ana çiftle sınırlıdır. VAR modeli, doğrusal olmama durumlarının baskın olduğu kriz dönemlerinde zorlama bir varsayım olan doğrusallığı varsayar. Ayrıca, yayılım sürücülerinin mali ve parasal olaylara atfedilmesi, resmi hipotez testine değil, zaman serilerinin görsel incelemesine dayanmaktadır. Bu, nedensel anlatıyı zayıflatmaktadır.

Uygulanabilir Çıkarımlar: Portföy yöneticileri için: simetrik korelasyonlar varsaymayı bırakın. Krizler sırasında, kötü yayılımlar aşağı yönlü riski artırdığı için korunma oranları %20-30 oranında artırılmalıdır. Merkez bankaları için: asimetrik bağlantılılık bir erken uyarı göstergesi olarak hizmet edebilir—EUR/USD'den diğer para birimlerine kötü yayılımlardaki bir sıçrama, sistemik stresin sinyalini verir. Araştırmacılar için: bu çerçeveyi aşırı asimetri sergileyen kripto paralara ve varlıklar arası yayılımlara (örneğin, dövizden hisse senetlerine) genişletin. Metodoloji, makine öğrenimi iyileştirmeleri için olgundur—asimetrik yayılımları gerçek zamanlı olarak tahmin etmek için LSTM ağlarını kullanın. Son olarak, düzenleyiciler asimetrik bağlantılılığı makro ihtiyati bir araç olarak değerlendirmelidir; makale, kötü yayılımların büyük krizlerden önce zirve yaptığını ve potansiyel bir öncü gösterge sunduğunu göstermektedir.