Amaç – Finansal piyasa oynaklığı hem ekonomik performans hem de finansal istikrar göstergesi olarak önemli rol oynamaktadır. Alternatif GARCH tipi zaman serisi modelleri, bu amacın gerçekleştirilmesinde en çok tercih edilen yaklaşımlardan olmuşlardır. Finansal zaman serilerinde meydana gelen yapısal değişiklikleri modellemede de MS-GARCH yaklaşımı kullanımı ortaya çıkmıştır. Bu çalışma vadeli tahıl emtia piyasalarında işlem gören dört ana tahıl emtia (buğday, yulaf, mısır ve soya fasulyesi) getirilerinin oynaklığı asimetrik MS-GARCH yapılarıyla modelleyerek ampirik literatüre katkıda bulunmayı amaçlamaktadır. Yöntem – Araştırmanın amacı doğrultusunda, asimetrik MS-GARCH modelleri kullanılarak dört tahıl emtiası için oynaklık analizleri gerçekleştirilmiştir. Araştırmada kullanılan veri setleri investing.com veri tabanından günlük olarak elde edilmiş olup, 2014-2022 dönemini kapsamaktadır. Araştırmanın analizlerinde RStudio 2022.07.2 programı kullanılmıştır. Bulgular – Çalışmada gerçekleştirilen asimetrik MS-GARCH modellerinden elde edilen sonuçlara göre, buğday, yulaf, mısır ve soya fasulyesi emtialarıda ısrarcı rejim yapılarının varlığı belirlenmiştir. Emtia getirilerinin düşük oynaklık dönemindeyken tekrar düşük oynaklık döneminde veya yüksek oynaklık dönemindeyken tekrar yüksek oynaklık döneminde kaldığı sonucuna ulaşılmıştır. Ele alınan bütün emtiaların düşük oynaklık rejimindeyken meydana gelen negatif şokların, pozitif şoklara göre oynaklık üzerinde daha fazla etki ortaya çıkardığı tespit edilmiştir. Tahıl emtia getirilerinde kaldıraç etkisinin söz konusu olduğu belirlenmiştir. Buğday getirilerinin %25, mısır getirilerinin %21, soya fasulyesi getirilerinin %1,2 ve yulaf getirilerinin %12 yüksek oynaklık döneminde kaldığı görülmüştür. Tartışma – Fiyat oynaklıklarının farklı rejim yapılarına göre analiz edilmesini sağlayan MS-GARCH tipi modellerin kullanılması yüksek belirsizlik ortamında daha kesin öngörüler yapılmasını sağlayarak, meydana gelebilecek risklerin azaltılmasına sebep olacaktır.
Anderluh, J., & Borovkova, S. (2008). Commodity volatility modelling and option pricing with a potential function approach. European journal of Finance, 14(2), 91-113.
Ang, A., Bekaert, G., & Liu, J. (2005). Why stocks may disappoint. Journal of Financial Economics, 76(3), 471-508.
Ardia, D. (2008). Financial risk management with Bayesian estimation of GARCH models (Vol. 612). Heidelberg: Springer.
Ardia, D., Bluteau, K., & Rüede, M. (2019). Regime changes in Bitcoin GARCH volatility dynamics. Finance Research Letters, 29, 266-271.
Ardia, D., Bluteau, K., Boudt, K., & Catania, L. (2018). Forecasting risk with Markov-switching GARCH models: A large-scale performance study. International Journal of Forecasting, 34(4), 733-747.
Ardia, D., Bluteau, K., Boudt, K., Catania, L., & Trottier, D. A. (2019). Markov-switching GARCH models in R: The MSGARCH package. Journal of Statistical Software, 91(4).
Augustyniak, M. (2014). Maximum likelihood estimation of the Markov-switching GARCH model. Computational Statistics & Data Analysis, 76, 61-75.
Bauwens, L., De Backer, B., & Dufays, A. (2014). A Bayesian method of change-point estimation with recurrent regimes: Application to GARCH models. Journal of Empirical Finance, 29, 207-229.
Bellemare, M. F., Barrett, C. B., & Just, D. R. (2013). The welfare impacts of commodity price volatility: evidence from rural Ethiopia. American Journal of Agricultural Economics, 95(4), 877-899.
Black, F. (1976). Studies of stock market volatility changes. 1976 Proceedings of the American statistical association bisiness and economic statistics section.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.
Bouët, A., & Laborde Debucquet, D. (2012). Food crisis and export taxation: the cost of non-cooperative trade policies. Review of World Economics, 148(1), 209-233.
Brooks, C., & Persand, G. (2001). The trading profitability of forecasts of the gilt–equity yield ratio. International journal of forecasting, 17(1), 11-29.
Cai, J. (1994). A Markov model of switching-regime ARCH. Journal of Business & Economic Statistics, 12(3), 309- 316.
Caporale, G. M., & Zekokh, T. (2019). Modelling volatility of cryptocurrencies using Markov-Switching GARCH models. Research in International Business and Finance, 48, 143-155.
Cifter, A. (2013). Forecasting electricity price volatility with the Markov-switching GARCH model: Evidence from the Nordic electric power market. Electric Power Systems Research, 102, 61-67.
De la Torre-Torres, O.V.; Galeana-Figueroa, E.; Álvarez-García, J. (2019). A test of using markov-switching GARCH models in oil and natural gas trading. Energies, 13, 129.
De la Torre-Torres, D., Oscar, V., Aguilasocho-Montoya, D., Álvarez-García, J., & Simonetti, B. (2020). Using Markov-switching models with Markov chain Monte Carlo inference methods in agricultural commodities trading. Soft Computing, 24(18), 13823-13836.
Demeke, M., Spinelli, A., Croce, S., Pernechele, V., Stefanelli, E., Jafari, A., ... & Roux, C. (2014). Food and agriculture policy decisions: trends, emerging issues and policy alignments since the 2007/08 food security crisis. Food and Agriculture Organization of the United Nations (FAO).
Dueker, M. J. (1997). Markov switching in GARCH processes and mean-reverting stock-market volatility. Journal of Business & Economic Statistics, 15(1), 26-34.