You are on page 1of 15

MO Teknik Dergi, 2011 5471-5485, Yaz 353

Akarsu Akmlarnda Volatilitenin Non-Lineer


Varyans Modelleri ile ncelenmesi:
Kpray Nehri rnei
*



Veysel GLDAL*
Hakan TONGAL**


Z
Akarsu akm serilerinin, varyansn sabit kabul edildii klasik zaman serisi modelleriyle
(Otoregresif Hareketli Ortalama - ARMA) modellenmesinde srecin ortalama davranna
odaklanlmakta ve varyans deikenliine dayal non-lineer etkiler gz ard edilmektedir.
Duraan olmayan varyans deiikliine dayal bu etkilerin (volatilite) Otoregresif Koullu
Deien Varyans (ARCH) tipi modeller ve bu modellerin geniletilmi hali olan
Genelletirilmi Otoregresif Koullu Deien Varyans (GARCH) modelleri ile
incelenmesinde ve tahmini su kaynaklar ynetimindeki risk ve belirsizlik ieren hidrolojik
srelerde nem kazanmaktadr. Bu almada, ilk nce Kpray Nehri ne ait gnlk ve
yllk akm serilerinin ortalama davranlar lineer zaman serisi modelleri (AR, MA,
ARMA) ile temsil edilerek en uygun modeller seilmi, daha sonra bu modellerden elde
edilen kalntlar zerinde volatilitenin varl Engle Lagrange Multiplier (LM) testi ile
aratrlarak koullu deien varyans modelleri (ARCH-GARCH) kurulmutur. Gnlk
akm verilerinde en iyi modelin ARMA(1,1)-GARCH(2,3) olduu, yllk akm serisinde ise
volatilitenin olmad grlmtr. Gnlk akm serilerindeki volatilite kmelenmesi,
koullu deien standart sapma ve varyans grafikleriyle ortaya konulmutur. Bu alma,
zamanla deien varyans kaynakl non-lineer etkilerin akm deikenliine etkisini ortaya
koymakta olup akm srelerinin istatistiksel modellenmesine bir katk salayacaktr.
Anahtar Kelimeler: Volatilite, otoregresif koullu deien varyans (ARCH),
genelletirilmi otoregresif koullu deien varyans (GARCH), lagrange multiplier testi,
Kpray Nehri.

ABSTRACT
Investigation of the Volatility in Stream Flow Time Series with Nonlinear Variance
Models: Case Study of Kpray River
In stream flow series modeling by the conventional time series models (AutoRegressive
Moving Average - ARMA) under the assumption of constant variance, the mean behavior

Not: Bu yaz
- Yayn Kuruluna 25.03.2009 gn ulamtr.
- 30 Eyll 2011 gnne kadar tartmaya aktr.

* Sleyman Demirel niversitesi, naat Mhendislii Blm, Isparta - veyselguldal@sdu.edu.tr
** Sleyman Demirel niversitesi, naat Mhendislii Blm, Isparta - hakantongal@sdu.edu.tr
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5472
of the process is focused on and the non-linear effects based on variance behavior are
neglected. Modeling of this nonlinear phenomenon with variance behavior and water
resource management of hydrological processes which involve risk and uncertainty gains
importance. This is true for modeling with AutoRegressive Conditional Heteroskedasticity
(ARCH) or with its general form, Generalized AutoRegressive Conditional
Heteroskedasticity (GARCH). In this study, the mean behavior of the daily and yearly
stream flow series of the Kpray River is modeled with the linear time series models
(AR, MA, ARMA) and the best fit models are selected. The volatility presence is searched
by using the Engles Lagrange Multiplier (LM) Test on the residuals from the linear
models, and the conditional heteroskedastic variance models (ARCH-GARCH) are
developed. It is shown that the ARCH effect in the daily stream flow series can best be
modeled with ARMA(1,1)-GARCH(2,3) and the volatility does not exist in the yearly
stream flow series. The volatility clustering in daily stream flow series is shown with the
conditional standard deviation and variance graphs. It is expected that, this study can be a
useful contribution to the statistical modeling of stream flow processes.
Keywords: Volatility, autoregressive conditional heteroskedasticity (ARCH), generalized
autoregressive conditional heteroskedasticity (GARCH), lagrange multiplier test, Kpray
River.

1. GR
Klasik zaman serisi modellerinin (ARMA) kullanm kolayl lineer modellerin zaman
serisi analizlerinde kullanmn yaygnlatrmtr. Ancak herhangi bir dorusal model,
bilinmeyen dinamik ilikileri matematiksel formllerle temsil etmek iin sadece bir ilk
admdr. Bu nedenle, lineer korelsyonun tesindeki bamllk gibi dorusal olmayan
zellikleri modellemek iin non-lineer modellere ihtiya vardr.
Tek deikenli stokastik bir srete, varyanslar zamanla deimiyorsa srecin sabit
varyansa sahip olduu aksi halde deiken varyansl bir srecin (volatilite) olabilecei
dnlr. Bir hidrolojik zaman serisiyle, modelleme ve tahmin amacyla ilgilenildiinde
genellikle serinin ortalama davranna [1, 2, 3] ve nadiren de varyanslarn zamana
bamllna odaklanlr [4, 5]. Su kaynaklarnn ynetiminde ve takn kontrol yaplarnda
risk ve belirsizliklerin dikkate alnyor olmasyla birlikte, zamanla deien varyanslarn
modellenmesine izin veren yeni zaman serisi metotlarna ihtiya duyulmaktadr. Volatilite
kmelenmesinde byk miktarl deiimleri byk miktarl, kk miktarl deiimleri de
kk miktarl deiimler takip eder. Bu olay duraan olmayan koullu varyans
(conditional heterokedasticity) olarak adlandrlr ve Engle [6] tarafndan nerilen
Otoregresif Koullu Deien Varyans (ARCH) tipi modeller daha sonra Bollerslev [7]
tarafndan geniletilmi hali olan GARCH (Genelletirilmi ARCH) modelleri ile
modellenebilir. Bu modeller, gemi varyanslar kullanarak gelecek varyanslar aklayan
non-lineer birer mekanizma olup gelecek volatilitenin doru tahminlerinde kullanlabilir.
zellikle ARCH etkisi gzlenen serilerin ksa dnemli tahminlerinde baarl olmas su
kaynaklar ynetiminde ve takn koruma yaplarnn tasarmnda nem kazanmaktadr.
Bununla beraber hidrolojik aratrmalarda, byk dalgalanmalarn byk dalgalanmalar,
kk dalgalanmalarn kk dalgalanmalar gsterebildii hidrolojik zaman serilerinde
olmas muhtemel ARCH etkisinin test edilmesi ve modellenmesi konusu ok az ilgi
grmtr.
Veysel GLDAL, Hakan TONGAL
5473
Bu almada, Orta Akdeniz Havzasnn nemli akarsularndan biri olan Kpray
Nehrine ait gnlk ve yllk akmlarnn stokastik sreleri incelenerek, ortalama
davranlarnn klasik zaman serisi modelleriyle (ARMA) modellenmesi ve bu srelerdeki
zamana bal deikenliinin (ARCH etkisi) non-lineer zaman serisi modelleriyle (ARMA-
ARCH ve ARMA-GARCH) tanmlanmas yaplmtr.

2. AKIM SERLERNDE VOLATLTENN ARATIRILMASI
Genellikle, akm serilerinde zamana bal koullu varyans deikenlii aratrlmadan nce,
gzlenmi akm serileri, serinin ortalama davrann dikkate alan lineer zaman serisi
modellerinden (AR, MA, ARMA) uygun olan ile modellenir. Bylelikle seri iindeki
lineer bamlln ortadan kaldrld ve gzlenen bamlln bu modeller tarafndan
yakalanamayan non-lineer mekanizmadan kaynakland kabul edilir. Literatrde, bu non-
lineer bamlln duraan olmayan koullu varyanstan kaynakland dnlerek ARCH
ve GARCH tipi zaman serisi modelleri [8] gelitirilmitir.
Ortalama davran lineer bir zaman serisi modeliyle temsil edilen bir hidrolojik zaman
serisinde, modelin gzlenmi seriden karlmasyla kalnt terimi (e
t
) (white noise) elde
edilir. ARCH modelinde e
t
terimi otokorelasyonlu deil fakat bamldr [9]. Bu bamllk
gecikme deerlerinin basit bir ikinci dereceden denklemi ile aklanabilir. ARCH modeli
gecikme says (p) nin ald deer ile adlandrlmaktadr (ARCH(1), ARCH(2) vb). Genel
bir ARCH modeli,
t t t
e o c = ,
2 2 2
0 1 1
...
t t p t p
e e o o o o

= + + + (1)
eklinde ifade edilebilir. Burada,
t
c ortalamas sfr, varyans bir olan normal dalml bir
hata terimidir. Koullu varyans negatif olamaz, bundan dolay 0 p > iin,
0
0 o > ve
0
p
o > dr. Ayrca otoregresif srecin istikrar iin
p
o , sfr ile bir arasnda deer
almaldr [10].
rnein 1 p = iin ARCH(p) modelinin yaps incelendiinde,
t t t
e o c = ,
2 2
0 1 1 t t
e o o o

= +
0
0 o > ve 0
p
o > (2)
t
e nin koulsuz ortalamas sfrdr, nk aadaki eitlik geerlidir.
( ) [ ( )] 0
t t t
E e E E o c = = (3)
2
t
e nin koulsuz ortalamas varyans vereceinden,
2 2 2
0 1 1 0 1 1
( ) ( ) ( ) ( )
t t t t
Var e E e E e E e o o o o

= = + = + (4)
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5474
ve ( ) 0
t
E e = ile duraan bir sre olduu iin
2
1 1
( ) ( ) ( )
t t t
Var e Var e E e

= =
0 1
( ) ( )
t t
Var e Var e o o = +
0
1
( )
1
t
Var e
o
o
=

(5)
elde edilir. Volatilitenin deerlendirilmesi iin kurtosis katsays da incelenmelidir.
4 2 2 2 2 2 4
0 1 1 0 0 1 1 1 1
( ) 3 ( ) 3 2
t t t t
E e E e E o o o o o o o o

= + = + + (

(6a)
2 2 1
4 0 1 4
1
3 1 2 3
1
m m
o
o o
o
= + +

| |
|
\ .
(6b)
eitlii elde edilir. Buradan hareketle iki nemli karm elde edilir: (1)
t
e nin drdnc
momenti pozitif olduundan
1
o in
2
1
1 3 0 o > koulunu salamaldr. Bir baka deyile
2
1
1
0
3
o s < olmaldr. (2)
t
e nin koulsuz kurtosisinin de;
4 2
1
2 2
1
( ) 1
3 3
[ ( )] 1 3
t
t
E e
Var e
o
o

= >


olduu grlr [9].
Bir ARCH modeli kurulurken gzlenen zaman serisindeki herhangi bir dorusal
bamlln yok edilmesi iin bir zaman serisi modeli kurulur ve ARCH etkisinin mevcut
olup olmadnn incelenmesi iin modelin kalntlar kullanlr. ARCH etkisinin varln
test etmek iin literatrde ska kullanlan iki yntem olup bunlardan biri kalntlarn
karelerinin Mcleod ve Li tarafndan Ljung-Box [11] testine dayal olarak gelitirilen Q-
istatistiidir [12], dieri de Engle [6] tarafndan gelitirilen Lagrange Multiplier (LM)
testidir. Mcleod-Li testinin Ljung-Box Q-istatistii,
2 2
1
( )
( 2)
L
k
k
r e
Q N N
N k
=
= +

(7)
eklinde olup, burada N gzlem says, L dikkate alnan otokorelasyon says,
2
( )
k
r e kalnt
teriminin k -gecikmeli otokorelasyon deerlerinin karesidir. Burada, Q-istatistii
2
( ) L _
dalmna sahiptir.
Veysel GLDAL, Hakan TONGAL
5475
LM testi ARCH etkisinin belirlenmesinde regrasyona dayal bir yntemdir.
2
N R olarak
tanmlanan bu istatistikte, N gzlem says olup
2
R ,
2
t
e ile k -gecikmeli
2
t
e deerlerinin
arasnda regrasyondan hesaplanan belirlilik katsaysdr (determination of coefficient).
Bollerslev [7], ARCH modelini genileterek hem daha fazla gemi bilgiye dayanan hem de
daha esnek bir gecikme yapsna sahip olan Genelletirilmi ARCH (GARCH) modelini
nermitir. Bu model, ARCH modeline alternatif olmaktansa, bu modelin eksikliklerini
gidermeyi amalayan genelletirilmi halidir. GARCH modeli,
t t t
e o c = ,
2 2 2
0
1 1
p q
t i t i j t j
i j
e o o o | o

= =
= + +

(8)
t
c ortalamas sfr, varyans bir olan normal dalma sahip ve
0
0 o > , 0
i
o > , 0
j
| > ve
max( , )
1
( ) 1
p q
i j
i
o |
=
+ <

ise
t
e sreci GARCH modeline uyuyor demektir. GARCH, modelinin
koulsuz ortalamas,
2 0
max( , )
1
( ) ( )
1
t t p q
i i
i
Var e E e
o
o |
=
= =
+

(9)
eklinde elde edilir. Burada,
max( , )
1
1 0
p q
i i
i
o |
=
+ >
(
(

, koulu salanmaldr.

3. ARATIRMA BULGULARI VE TARTIMA
3.1. Havza ve Akm Verileri
alma alan Trkiyenin Bat Akdeniz Blgesinde Isparta ve Antalya il snrlar ierinde
yer alan Yukar Kpray Havzasdr. Kpray Havzas Elektrik leri Ett daresi
(E..E) nin Mteferrik Orta Akdeniz Sular olarak tanmlad blgede yer almaktadr.
Havzada Aksu ay ve Baak Deresinin yannda irili ufakl birok dereler vardr. Bu iki
byk dere birleerek Kpray Nehrini oluturur. Bu nehir, sularnn byk bir ksmn
Yukar Kpray Havzas olarak bilinen ve Isparta ili snrlar ierisinde kalan (Eirdir
Glnn dousundan 2000m kotlarndan doarak gneye doru eitli yan kollar alarak
Akdenize dklen) yaklak 2500km
2
ya alanndan toplamaktadr [13].
E..E. tarafndan iletilmekte olan 919 nolu Kpray Bolasan akm gzlem istasyonuna ait
gnlk ve yllk verileri yeterli sklkta olduundan model uygulamalar iin seilmitir.
almada, gnlk ve yllk akmlar iin lineer ve non-lineer modeller gelitirilerek
uygulamalar gerekletirilmitir. Yllk verilerin modellenmesinde 684 aylk (19411997)
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5476
akm verileri kullanlrken gnlk verilerin modellenmesinde ise bu yllar arasnda srekli
kaytlar bulunan 6 yllk (19881993) gnlk debilerin ortalamas kullanlmtr.

3.2. Model Uygulamalar
Akm verilerinin modellenmesinden nce verilerin belli bir periyoda ve belli bir trende
veya sramaya sahip olup olmad aratrlmtr (ekil 1). Gnlk ve yllk verilerde belli
bir periyodiklie ve trende rastlanmad aka ekillerden grlmektedir.


(a)


(b)
ekil 1. Akm verilerinin grafikleri (a) Gnlk (19881993) (b) Yllk (19411997)

Srelere ait momentler yntemine gre hesaplanan temel istatistiksel parametreler aada
verilmitir.


0 50 100 150 200 250 300 350
0
20
40
60
80
100
120
140
Gnler
D
e
b
i

(
m
3
/
s
)
1940 1950 1960 1970 1980 1990 2000
0
10
20
30
40
50
60
Yl
D
e
b
i

(
m
3
/
s
)
Veysel GLDAL, Hakan TONGAL
5477
Tablo 1. Kpray Nehri gzlenmi akm verilerinin istatistikleri
statistikler Ortalama
(m
3
/sn)
Std Sapma
(m
3
/sn)
Varyasyon
katsays
arpklk
katsays
Kurtosis
katsays
Gnlk 20.183 20.145 0.998 1.144 1.475
Yllk 25.787 8.959 0.347 0.532 2.840

Serilerin arpklk katsaysnn 0dan istatistiksel olarak anlaml derecede farkl olmas
verilerin normal dalma uyup uymadnn kontrol edilmesini gerektirir. Tablo 1
incelendiinde, zaman aral bydke dalmlarn arpklklarnn kld ve yllk
verilerin normal dalma uyduu, gnlk verilerin ise arpk dald yani normal
dalma uymad anlalmaktadr. Bu nedenle gnlk akm verilerinin Box-Cox
dnm ile doal logaritmalar alnarak arpkl giderilmitir. Her iki veri seti iin
uygulanan Olaslk izgisi Korelasyon Katsays testi (PPCC) sonucu elde edilen gzlenen
kmlatif olaslklara (observed cum. prob.) karlk gelen beklenen kmlatif olaslk
(expected cum. prob.) deerleri ekil 2de verilmitir.


(a) (b)
ekil 2. Serilerin olaslk izgisi korelasyon katsays testi sonucu
(a) Gnlk akm (b) Yllk akm

Gnlk serinin yeni arpklk katsaysna ( 0.487
sx
C = ) ve ekil 2ye bakldnda yeni
serinin normal dald kabul edilmitir. Bu nedenle modellemede yllk akm verilerinin
orijinal hali kullanlrken, gnlk verilerin doal logaritmik dnm yaplm halleri
kullanlmtr.
Observed Cum Prob
1,0 0,8 0,6 0,4 0,2 0,0
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1,0
0,8
0,6
0,4
0,2
0,0
Observed Cum Prob
1,0 0,8 0,6 0,4 0,2 0,0
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1,0
0,8
0,6
0,4
0,2
0,0
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5478
Akmlar modellerken i bamllk gz nne alndnda: gnlk seride i bamlln
yksek olmas (
1
0.97 = ) ve otokorelasyon deerlerinin ok uzun gecikmelerden sonra
sfra yaknsamas ( 70 lag > ) yani stokastik bir trendin bulunmas, bu srecin stasyoner
olmadn gstermitir. Yllk verilerin sreci stokastik bamsz (i bamllk ok
kktr
1
0.068 = ) ve belli bir ortalama etrafnda rastsal salmlar gstermitir.
Modelleme srecinde bu karmlar dikkate alnarak, gnlk verilerin stasyonerlii birinci
dereceden fark alma yntemiyle ( 0
y
= ,
2
0.154
y
o = ), yllk verilerin ise sreten
ortalamann karlmas ile ( 0
y
= ,
2
80.270
y
o = ) salanmtr. Bu serilerin hesaplanan
otokorelasyonlar (
k
) ve (
, k k
| ) ksm otokorelasyonlar ekil 3te verilmitir.
Gnlk ve yllk serilerin korelogram deerlerinin birinci gecikme deerinden sonra, sfr
hipotezinin kabul edildii ( 0 = ) snr aralna dmesi ve burada salnm yapmas
nedeniyle 1. veya 2. mertebeden modeller yeterlidir. Elde edilen modellerin katsaylar
Tablo 3te verilmitir.
Bu modellerden en uygununu belirlemek iin Akaike bilgi kriteri (A.I.C) testi kullanlmtr
(Tablo 4) ve gnlk modelde en kk deeri veren ARMA(1,1) modelinin, yllk modelde
ise MA(2) modelinin sreleri en iyi ekilde temsil ettii sylenebilir.
Ancak, kurulan bu modellerin sreci yeterli temsil ettiine karar verebilmek iin, kalnt
terimlerinin (e
t
) bamsz ve normal dalyor olmas gerekmektedir. Seilen bu modellere
ait e
t
rastsal deikenlerin gerekte rastgele olup olmadklarnn, her birinin dieriyle
korelasyonsuz olduunun kontrol edilmesi gerekir. Rastgele bileenlere ait korelasyon
deerleri gecikme srelerine gre deiimleri ve normal dalma uyup uymadklarnn
kontrol amacyla yaplan PPCC testi sonular srasyla Tablo 5 ve ekil 4te verilmitir.
Hesaplanan otokorelasyonlarn %5 anlamllk dzeyinde gnlk model iin sadece iki
deerin (
13 19
, 0.103 > ) gven snrn amas, yllk modelde tm deerlerin gven
aralnda ( 0.259
k
< ) kalmas nedeniyle, ayrca PPCC testi sonular dikkate
alndnda gnlk zaman serisinin korelasyonsuz, yllk zaman serisinin de korelasyonsuz
ve normal dald sonucuna varlmaktadr.
ARMA(1, 1) modeli gnlk akm serisini yeterli lde temsil etmesine ramen (min. AIC)
sreteki muhtemel volatilitenin varl nedeniyle kalnt terimi normal dalmamaktadr.
Bu nedenle, koullu deien varyans etkilerinin varln test etmek iin ARMA(1,1)
modelinin kalnt terimlerinin kareleri zerinde Lagrange Multiplier testi uygulanarak
ARCH etkisi aratrlmtr. Bir gnlk gecikmeyle hesaplanan ARCH LM testi
sonucundan elde edilen F istatistii (7.254),
1,365, 0.05
F deeri olan 3.84ten byk olduu iin
ARCH etkisinin bulunmadn savunan sfr hipotezi reddedilir. Varl ARCH LM testi ile
belirlenen ARCH etkisinin modellenmesinde eitli alternatif modeller kullanlabilir.
Burada yer verilen model, denenmi birok ARCH tipi model arasndan parametrelerinin
anlaml olmasna dikkat edilerek seilmi modeldir. almada gnlk seri iin en uygun
model olan ARMA(1, 1)-GARCH(2, 3) modelinin parametreleri aada verilmitir.
Veysel GLDAL, Hakan TONGAL
5479
(a)
(b)
ekil 3. Kpray Nehri ne ait akm deerlerinin korelogram () ve ksmi korelogram (|)
(a) Gnlk seri (b) Yllk seri

Tablo 3. Gnlk ve yllk seri iin elde edilen model katsaylar

Modeller
Gnlk seri Yllk seri
p q
2
e
o
p q

2
e
o 1 2 1 2 1 2 1 2
AR(1)
-0.076 --- --- --- 0.024 0.068 --- --- --- 81.33
AR(2)
-0.087 -0.142 --- --- 0.023 0.058 0.144 --- --- 81.09
MA(1)
--- --- -0.107 --- 0.023 --- --- -0.068 --- 79.90
MA(2)
--- --- -0.126 -0.195 0.023 --- --- -0.322 -0.173 70.81
ARMA(1,1)
0.666 --- -0.837 --- 0.005 2.176 --- 2.105 --- 87.51
0 2 4 6 8 10 12 14 16 18 20
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
Gecikme (k)

,
|

|
%5
%5
0 2 4 6 8 10 12 14 16 18 20
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Gecikme (k)

,
|
r
f
% 5
% 5

|
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5480
Tablo 4. Lineer zaman serisi modelleri iin Akaike bilgi kriterleri (A.I.C.)
Modeller AR(1) AR(2) MA(1) MA(2) ARMA(1,1)
Gnlk -1359.341 -1372.875 -1367.841 -1380.848 -1953.465
Yllk 252.715 254.547 251.704 246.820 258.890

Tablo 5. Uygun modellerdeki rastsal bileenlerin korelasyon deerleri

Lag (k)
k


k
k

Gnlk Yllk Gnlk Yllk
1 0.043 0.043 11 -0.051 -0.173
2 -0.049 -0.033 12 0.070 0.205
3 0.021 0.034 13 0.152 0.071
4 -0.045 0.122 14 -0.022 0.125
5 -0.101 0.075 15 -0.003 0.005
6 0.065 -0.003 16 0.027 0.061
7 0.035 0.058 17 0.019 0.069
8 -0.023 -0.166 18 -0.102 0.119
9 -0.034 0.038 19 0.107 0.093
10 0.042 0.007 20 0.019 -0.161


(a) (b)
ekil 4. Seilen modellere ait rastsal deikenlerin PPCC testi sonucu (a) ARMA(1,1)
modeli (b) MA(2) modeli
Observed Cum Prob
1,0 0,8 0,6 0,4 0,2 0,0
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1,0
0,8
0,6
0,4
0,2
0,0
Observed Cum Prob
1,0 0,8 0,6 0,4 0,2 0,0
E
x
p
e
c
t
e
d

C
u
m

P
r
o
b
1,0
0,8
0,6
0,4
0,2
0,0
Veysel GLDAL, Hakan TONGAL
5481
Tablo 6. Gnlk serinin ARMA(1,1)-GARCH(2,3) model sonular
Model Katsaylar Katsay Deerleri Std. Hata z-statistii Olaslk
0
o
0.00174 0.00016 11.0944 0.0000
ARCH(1) 0.18843 0.04173 4.51513 0.0000
ARCH(2) 0.09194 0.03240 2.83732 0.004
GARCH(1) 0.40821 0.03237 12.6109 0.0000
GARCH(2) -0.42645 0.02493 -17.1084 0.0000
GARCH(3) 0.70333 0.03441 20.4386 0.0000
R
2
0.00887 Baml deikenin ort. 0.00045
Dzeltilmi R
2
-0.01068 Baml dei. st. hatas 0.15453
Regresyonun st. hatas 0.15536 A.I.C. -1.3280
Kalnt kareleri toplam 8.56809 Schwarz kriteri -1.24213
Log en ok olabilirlik 249.025 Durbin-Watson istatistii 2.14103

Elde edilen modelde tm model katsaylar istatistiksel olarak anlaml bulunmutur. Yine
GARCH(2,3) modeli iin hesaplanan katsaylardan
0
o , ARCH ve GARCH katsaylar
0
0 o > ,
1
0 o > ,
1
0 | > ve
max( , )
1
( ) 1
p q
i j
i
o |
=
+ <

koullarn salamaktadr. Elde edilen


modelin yaps aada verilmitir.
1 1
0.666 0.837
t t t t
y y e e

= + + (10)
2 2 2 2 2 2
1 2 1 2 3
0.00174 0.18843 0.09194 0.40821 0.42645 0.70333
t t t t t t
e e o o o o

= + + + +
Modelin yeterli olup olmadna karar vermek iin kalntlarn karelerinin otokorelasyonlar
iin hesaplanan Q istatistii (23.962), %95 gven snr ve 21 serbestlik derecesi iin
2
_
deeri 32.671den kk olduu iin kalntlarn dorusal bamll olmad veya
rastgele dald hipotezi kabul edilmitir. Bu nedenle varyansn doru modellendii
sylenebilir. Elde edilen koullu varyanslar (ekil 5) ve koullu standart sapmalar (ekil 6)
aada grlmektedir.
ekil 5 ve ekil 6 beraber incelendiinde gnlk akmlarn yaklak 25. ve 100. gnleri
arasnda ve son 140 gnnde yksek volatilite grlmektedir. Varyans deiiminin en fazla
grld aylar Eyll ve Aralk aylardr. Yaz aylarnda akarsu rejimi daha dzenlidir.
zellikle son 90 gnn (Ekim, Kasm, Aralk) koullu varyans deiimi ilk dnem (ubat-
Mart) varyans deiiminin olduka zerindedir. Havzada kar birikim ve erime dneminin
Aralk-Nisan aras ve etkin kar erimesinin ubat ve Mart aylarnda oluu [13] ilk
dnemdeki bu volatilitenin yksek olmasnn sebebi olarak yorumlanabilir. Bunun yannda,
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5482
volatilitenin ok daha yksek grld son dnemde ise akarsu rejimindeki bu
dalgalanmalarn kaynann, yamur kaynakl akmlarn etkisi ile gerekletii sonucuna
varlmaktadr. Havzada grlen yamur kaynakl volatilitenin kar erimesinden meydana
gelen volatiliteden daha etkin olduu sylenebilir.
ekil 1(a)dan, yaklak 25. ve 100. gnler arasnda ve son 140 gnde byk miktarl
deiimleri byk miktarl deiimlerin izlemesini, dier gnlerde ise kk miktarl
deiimleri kk miktarl deiimlerin izlemesini bir baka deile volatilite kmelenmesi
olgusunu, kurulan modelle elde edilen koullu varyans ve koullu standart sapma
grafiklerinden de grmek mmkndr. ekil 1(a) ve ekil 5-6 beraber incelendiinde
Kpray Nehri gnlk akm serisi iin, ARCH etkisinin balca scaklk ve yataki
deiimlere ek olarak kar erimesinin getirdii belirsizliklerden kaynakland sylenebilir.
Yllk akmlar MA(2) modeli ile yeterli lde temsil edilmitir. Yine gnlk seride olduu
gibi yllk seride de ARCH etkisinin varl, MA(2) modelinin kalnt terimlerinin kareleri
dikkate alnarak incelenmitir. MA(2) modelinden elde edilen kalntlarn karelerinin
korelogram aada grlmektedir.

ekil 5. Gnlk serinin ARMA(1,1)-GARCH(2,3) modeli ile elde edilen koullu varyans

ekil 6. Gnlk serinin ARMA(1,1)-GARCH(2,3) modeli ile elde edilen koullu standart
sapmas
0 50 100 150 200 250 300 350
0
0.05
0.1
0.15
0.2
Gnler
K
o

u
l
l
u

v
a
r
y
a
n
s
0 50 100 150 200 250 300 350
0
0.1
0.2
0.3
0.4
0.5
Gnler
K
o

u
l
l
u

s
t
a
n
d
a
r
t

s
a
p
m
a
Veysel GLDAL, Hakan TONGAL
5483
Bu ekiller incelendiinde korelogram ve ksmi korelogram deerlerinde istatistiksel olarak
anlaml bir deer grlmemektedir. Bu durum yllk akmlarda ARCH etkisinin olmad
ynndeki ilk bilgidir. Ayrca, ARCH etkisinin varl ARCH LM testi ile aratrldnda
(Tablo 7), bir yllk gecikmeyle hesaplanan ARCH LM testi sonucundan elde edilen F
istatistii (0.370),
1,57, 0.05
F deeri olan 4.01den kk olduu iin ARCH etkisinin
bulunmadn savunan sfr hipotezi kabul edilir.
Yllk akmlarda ARCH etkisinin var olmad gerek diagnostik gerekse de istatistiksel test
ile ortaya konmas nedeniyle volatilite etkisinin modellenmesine devam edilmeyerek
analizler burada sonlandrlmtr.


(a) (b)
ekil 7. Yllk serinin MA(2) modelinin; (a) artklarnn korelogram ve ksmi korelogram
(b) artklarnn karelerinin korelogram ve ksmi korelogram

Tablo 7. MA(2) modelinin kalnt karelerinin ARCH LM testi sonucu
ARCH Test
F istatistii 0.370 (1, 54) F olasl 0.546
2
* Gzlem R
0.380
2
(1) olasl _
0.537

5. SONU
Risk ve belirsizliklerin nem kazand hidrolojik srelerde, non-lineer bir mekanizma
olan duraan olmayan koullu varyans (conditional heterekodasticity) modellemesi
hidroloji evrelerinde yeterli ilgiyi grmemitir. Bu tr srelerin modellenmesinde, daha
ok srecin ortalama davranyla ilgilenilmektedir. Literatrde koullu deien varyans
modellemesinde yar-parametrik ve parametrik olmayan yntemler [14] kullanlabilmesine
ramen bu almada parametrik bir yaklam olan ARCH tipi modellerle koullu deien
-.3
-.2
-.1
.0
.1
.2
.3
2 4 6 8 10 12 14 16 18
|
Geci kme ( yl )

,
|
%5
%5
-.3
-.2
-.1
.0
.1
.2
.3
2 4 6 8 10 12 14 16 18
|
Geci kme ( yl )

,
|
%5
%5
Akarsu Akmlarnda Volatilitenin Non-Lineer Varyans Modelleri ile ncelenmesi:
5484
varyansn temsil edilmesi amalanm ve Kpray Nehri akmlarnda uygulamalar
gerekletirilmitir.
Kpray Nehrine ait gnlk ve yllk ortalama akm verilerinin stokastik sreleri analiz
edilerek zamana bal deikenlikleri bir baka ifadeyle volatilite analizi iin farkl lineer
zaman serisi modelleri arasndan sreci en iyi temsil eden modeller belirlenip, modellerden
elde edilen kalnt terimlerinden hareketle non-lineer varyans modelleri incelenmitir.
lk aamada kurulan lineer zaman serisi modelleri kendi aralarnda karlatrlarak A.I.C.
testine gre gnlk ve yllk akmlar iin en iyi modeller belirlenmi, model rastsal
bileenlerinin bamszl otokorelasyon deerlerinin anlamllk dzeyi ile test edilmi ve
dalmlarnn normal dalma uyup uymad PPCC Testi ile tespit edilmitir. Gnlk
akm modellerinde en iyi lineer modelin ARMA(1, 1) modeli, yllk akmlarda ise MA(2)
modeli olduu belirlenmitir. Daha sonra, gnlk ve yllk akmlarda volatiliteyi analiz
etmek iin koullu deien varyans modelleri kurulmutur. Gnlk seride ARCH etkisi
Lagrange Multiplier testi ile belirlenerek, bu etkiyi en iyi ARMA(1, 1)-GARCH(2, 3)
modelinin temsil ettii grlmtr. Yllk akmlarda ise ARCH etkisinin olmad
diagnostik ve istatistiksel olarak belirlenmitir. ARCH etkisinin hkim olduu seri iin
volatilite kmelenmesinin deiimi gsterilmitir.
Sonu olarak kurulan ve Kpray rneinde uygulamas gerekletirilen bu modellerin,
akarsular zerinde planlanan ya da planlanacak olan su yaplarnn srdrlebilir iletilmesi
konusunda ihtiya duyulacak kararlar vermede belirli kolaylklar salayaca
dnlmektedir.

Kaynaklar
[1] Mitosek, H.T., On Stochastic Properties of Daily River Flow Processes. Journal of
Hydrology, 228 (2000), 188-205.
[2] Sepetiolu, M.Y., Gerger, Y., Akarsularda Akm Serilerinin statistiksel
Modellenmesi. 3. GAP Mhendislik Kongresi, anlurfa, 2000.
[3] Tayfur, G., Kavvas, M.L., 2001. Tahoe Havzasnda Gzlenen Hidrolojik
Deikenlerin Zaman Serisi Analizleri. 1. Trkiye Su Kongresi, stanbul, Cilt 1.
[4] Tol, R.J.S.: Autoregressive conditional heteroscedasticity in daily temperature
measurements, Environmetrics, 7, 67-75, 1996.
[5] Wang, W., Van Gelder, P. H. A. J. M., Vrijling, J.K., Ma, J., Testing and modeling
autoregressive conditional heteroskedasticity of streamflow processes, Nonlinear
Processes in Geophysics, 12: 55-66, 2005.
[6] Engle, R., Autoregressive conditional heteroscedasticity with estimates of the
variance of UK inflation. Econometrica, 50: 987-1008, 1982.
[7] Bollerslev, T., Generalized Autoregressive Conditional Heteroscedasticity. Journal of
Econometrics, 31:9-24, 1986.
[8] Fan, J., Nonlinear Time Series: Nonparametric and Parametric Methods. Secaucus,
NJ, USA: Springer-Verlag New York, Incorporated, 2003. p v.
Veysel GLDAL, Hakan TONGAL
5485
[9] Tsay, R.S., Analysis of Financial Time Series. A Wiley-Interscience Publication John
Wiley&Sons, Inc. 456s. New York, 2002.
[10] Kutlar, A., Ekonometrik Zaman Serileri, Ankara Gazi Kitapevi, 2000.
[11] Mcleod, A. I. and Li, W. K., Diagnostic checking ARMA time series models using
squared residual autocorrelations, Journal of Time Series Analysis, 4, 269-273, 1983.
[12] Ljung, G.M. and Box, G. E. P., On a measure of lack of fit in time series models,
Biometrika, 65, 297-303, 1978.
[13] E..E., Yukar Kpray Havzas Master Plan Raporu. Elektrik leri Ett daresi Gen.
Md., Yayn 01-25. Ankara, 2001.
[14] Lall, U., Recent advance in nonparametric function estimation- hydrologic
application, Reviews of Geophysics, 33, 1093-1102, 1995.

You might also like