BİST 100 endeksinin doğrusal olmayan zaman serileri ile tahmini
2019
0 görüntülenme
0 i̇ndirme
Danışman: Prof. Dr. Nilgün Çil
Özet (TR)
Finansal değerler siyasi ve toplumsal olgulardan etkilenmektedir. Bu etki yatırımcıların karar almasını zorlaştırmaktadır. Zira bu etkinin ölçeği ve miktarı; zamana, ekonomik yapıya göre değişmektedir. Bu değişimler volatilte olarak tanımlanmaktadır. Volatilite yatırımcı için yatırım kararı almadan önce dikkat edeceği kritik bir konudur. Yatırım doğası gereği risk içermektedir. Bu riskin ön görülebilir olması gerekir. Yatırım kararı alabilmek için riskin kabul edilebilir düzeylerde olması gerekir. Volatilite kavramı finansal riskler için anahtar bir kavramdır. Volatilitenin ölçülmesi ve anlamlandırılması bu yüzden yatırımcı için önemli bir kavramdır. Bu çalışmanın gayesi, finansal verilerin bir gerçeği olan volatilitenin anlaşılmasıdır. Finansal verilerin sahip olduğu volatilitenin değerlendirilmesi ve anlaşılması yatırımcı için karar aşamasında önemlidir. Bu gerekçe ile volatilitenin en iyi gözlemlenebileceği veri kaynağı olan BİST-100 verileri kullanılmıştır. Veriler ARCH, GARCH, EGARCH, GJR-GARCH, ARCH-M, GARCH-M, EGARCH-M, GJR-GARCH-M modelleri modellenmiştir.
Yazar
Dr. İsmail Seyrik
Bu Yayına Nasıl Atıf Yapılır
İsmail Seyrik (Yüksek Lisans Tezi). BİST 100 endeksinin doğrusal olmayan zaman serileri ile tahmini, 2019, İstanbul University.
Anahtar Kelimeler
Lisans
Tüm Hakları Saklıdır
Bu eser belirtilen lisans koşulları altında paylaşılmaktadır.
İstanbul University tezlerinden daha fazlası
- In the covid 19 pandemic of female employees at a university hospital attitudes and affecting factors in nutrition of 9 months-6 years old children(2022)
- Türkiye'de sağ akımların 27 Mayıs Darbesi'ne dair algısı: 1960-1980(2020)
- La Turquie Gazetesi'nin 1890 yılı haberlerine göre: Osmanlı Devleti'nde iktisadi ve sosyal hayat (Fihrist-çeviri-değerlendirme)(2022)
- Emevîler döneminde toprak rejimi(2022)
- Merkel hücreli karsinomda tanısal ve prognostik belirteçler(2022)
- Solunum sistemi hastalıklarının sınıflandırılmasında makine öğrenmesi yöntemlerinin kullanımı(2021)