TÜRKİYE’DE DÖVİZ KURU GETİRİ ORANI VOLATİLİTESİNİN OTOREGRESİF

KOŞULLU DEĞİŞEN VARYANS MODELLERİ İLE BELİRLENMESİ

Hakan İnke 92160000133

Özet

Döviz kuru değerleri, uluslararası ekonomi sistemlerinde birçok makro verinin belirlenmesinde
kilit rol oynamaktadır. Ekonomi için bu derece önemli bir değişkenin, seri tahmini analizlerinin
yapılması ve serilerdeki belirsizliğin olabildiğince azaltılması, politika yapıcılara ve bireysel
karar alıcılara büyük kolaylıklar sağlayacaktır. Ancak döviz kuru getiri oranlarındaki
oynaklığın belirlenmesi, ekonometrik analizlerde sık sık kullanılan EKK tahmin yöntemiyle
yapılamamaktadır. Literatürde, oynaklığın belirlenmesi için kullanılan en uygun modeller
otoregresif koşullu değişen varyans modelleri olarak karşımıza çıkmaktadır. Bu çalışmada da,
Türkiye’deki DOLAR ve EURO döviz kuru getiri oranlarının oynaklığı, 02.01.2005-
15.05.2017 tarihleri arasındaki günlük kur satış fiyatlarıyla oluşturulmuş seriler için
belirlenmeye çalışılmıştır. Yapılan çalışma sonucunda söz konusu dönemde döviz getiri oranı
oynaklıklarını en iyi tahmin eden model, her iki kur tipi için de AR(1) sürecinde T-
GARCH(1,1,1) modeli olarak tespit edilmiştir.

1. GİRİŞ

Bretton Woods Sistemi’nin terk edilmesiyle, çoğu ülkenin uluslararası sistem içerisinde para
birimi değerini sabit kur yöntemiyle belirlediği yıllar geride kalmıştır. Günümüzde birçok
hükümet, neoliberal iktisat koşulları altında dalgalı döviz kuru sistemini benimsemiş
durumdadır. Bu, ülkedeki döviz kurlarının her gün farklı değerler almasını, yani bir oynaklığa
sahip olmasını da beraberinde getirmiştir. “Döviz kurlarında beklenmedik hareketler sonucu
oluşan risk” yeni düzen içerisinde ticaret hacimlerinin olumsuz etkilenmesine neden
olabilmektedir (Mckenzie, 1999).

Uluslararası finansal akımlar, dış ticaret, yatırım ve üretim üzerinde etkileri olduğundan, döviz
kurlarının oynaklığının ölçülmesi ülke ekonomileri için önem arz etmektedir (Güloğlu ve
Akman, 2007). Sungupta (2002), döviz kurları oynaklığının tahmin edilmesinin ülke
ekonomileri için önemini iki farklı nedene dayandırmıştır. Bu nedenler, hükümetlerin, kendi
para politikaları üstünde bu oynaklığın etkilerini her geçen yıl artarak hissetmesi ve globalleşen
dünya ekonomisinde yatırımcıların, oynaklığın getirdiği risklere göre hareket ediyor olmasıdır.
Bunlarla beraber döviz kurundaki oynaklık, ulusal para birimi düzeyinden hesaplanan çıktı

1
düzeyi, borç ödemeleri ve işçi ücreti ödemeleri üzerinde de bir belirsizlik yaratmaktadır (Uysal
ve Özşahin, 2010).

Mandelbrot (1963), finansal piyasalarda işlem gören finansal varlıkların fiyatlarındaki büyük
miktarlı değişimleri büyük miktarlı, küçük miktarlı değişimleri küçük miktarlı değişimlerin
takip ettiğini söylemiştir. Yani finansal değişkenler zaman içerisinde değişme özelliğine yüksek
oranda sahiptir. Ekonomideki belirsizlik ve istikrarsızlıklardan kaynaklanan bu yüksek
volatilite, ülkelerin makro verilerinde önemli etkiler yaratmaktadır (Çağlayan ve Dayıoğlu,
2009).

Nobel Ekonomi Ödüllü İktisatçı Robert Engle (2003), finansal piyasalarda işlem yapan her
bireyin belli oranda bir risk aldığını ve bu riskin işlem yapılan piyasaların volatilite oranıyla
doğrudan ilişkili olduğunu belirtmiştir. Finansal piyasalar için bahsedilen yüksek volatilitenin
doğurduğu yüksek risk, döviz kuru piyasaları için de geçerlidir.

Bu noktada, döviz kuru oynaklıklarının başarılı bir şekilde modellenebilmesi, gerek bireylerin
piyasalarda aldıkları pozisyona göre karşılaştıkları risk büyüklüğünün tahmini gerekse hükümet
politikalarının belirlenmesi açısından çok büyük önem taşımaktadır. Bu çalışmada,
Türkiye’nin, ulusal para değerini “1 000 000 TL = 1 YTL” denkliğiyle revize ettiği 1 Ocak
2005 tarihi ile 15 Mayıs 2017 tarihi arasındaki günlük EURO ve DOLAR kurlarının
değerlerindeki oynaklık modellenmeye çalışılmıştır. Eviews 9.5 paket programının kullanıldığı
çalışmada ARCH/GARCH model yapılarına göre, Türkiye’nin döviz kuru modellemelerinde
en uygun modelin hangisi olduğu incelenmiştir.

2. LİTERATÜR TARAMASI

Döviz kurundaki oynaklıkların modellenmesi üzerine gerek Türkiye’de gerekse yurtdışında

birçok çalışma yapılmıştır. Bu çalışmalardan bir kısmı yalnızca oynaklığı tahminleyecek en iyi
modelin hangisi olduğu üzerinde yoğunlaşırken, bazı çalışmalarda ise döviz kurlarındaki
oynaklığın ihracat, ithalat, işsizlik, büyüme gibi makro veriler üzerindeki etkilerinin ne
derecede olduğunun incelendiği görülmektedir.

Aysoy ve diğerleri, 1996 yılında yaptıkları çalışmada, Türkiye döviz piyasalarında Alman
Markı ve Amerikan Doları’nın günlük getirilerindeki oynaklığı ARCH modeliyle
tahminlemeye çalışmışlardır. Türkiye’de dalgalı kur politikasının henüz benimsenmediği Ocak
1988- Aralık 1995 dönemini kapsayan bu çalışmada kriz dönemleri haricinde döviz kuru
oynaklığının düşük olduğu sonucuna ulaşılmıştır.

2
Güloğlu ve Akman (2007), Mart 2001- Mart 2007 tarihleri arasında Türkiye’deki nominal döviz
kuru değerlerindeki (TL/$) oynaklığı ARCH, GARCH ve SWARCH modelleriyle tahmin
etmeye çalışmıştır. Çalışmada volatilite ilk olarak ARCH ve GARCH yöntemleriyle
modellenmiş ve bu modellerin eksik yanları belirtilmiştir. Ardından yapılan SWARCH
modellemesiyle, Türkiye ve dünyada yaşanan sosyo-politik olayların döviz kuru oynaklığını
etkilediği ve bu etkilerin kalıcı olduğu sonucuna ulaşılmıştır.

Cevat Gerni ve diğerleri, 2013 yılında, döviz kuru oynaklığı, rezerv oynaklığı ve reel faiz
oranlarının dış ticaret üzerine etkilerini gösteren bir çalışma yapmışlardır. Çalışmada, 11 geçiş
ekonomisi için 1996-2011 döneminde, yapılan Granger nedensellik testleri ve panel veri
uygulamasıyla bu değişkenler arasındaki nedensellik ilişkilerinin hangi yönde olduğu ve
değişkenlerin birbirlerini ne derecede etkilediği belirlenmeye çalışılmıştır.

Uysal ve Özşahin (2010) çalışmalarında, Türkiye’nin serbest döviz kuruna geçtiği Mart 2001
dönemiyle Mayıs 2010 dönemi arasındaki TL/$ döviz kuru değerlerinin günlük verilerine göre
yaptıkları oynaklık modellemeleri arasında en iyi modelin GARCH(1,1) modeli olduğu
göstermişlerdir.

Çağlayan ve Dayıoğlu (2009), OECD ülkelerindeki döviz kuru getirilerindeki oynaklığının

modellemelerinde simetrik ve asimetrik modellerin öngörü güçlerini sınamışlardır. Ocak 1993-
Aralık 2006 dönemleri için aldıkları günlük ülke para birimi/$ verileriyle yaptıkları çalışmada,
volatilideki artış ve azalışların ülkeden ülkeye farklılık gösterdiği belirtilmekle birlikte, çoğu
ülke için asimetrik koşullu değişen varyans modellerinin simetrik koşullu değişen varyans
modellerine göre daha iyi sonuçlar verdiği gösterilmiştir. Yine aynı çalışmada döviz kuru
getirilerinin dağılımlarının çoğunun aşırı basık ve kalın kuyruğa sahip olduğu gözlemlenmiştir.

Kaplan (2009), Türkiye için reel döviz kuru oynaklığının büyüme ve işsizlik oranları üzerindeki
etkisini 1989Q1- 2007Q3 dönemleri için incelemiştir. Yaptığı çalışmada Kaplan, serinin
dönemler arası bağımlılığı özelliğinden faydalanan bir model kullanarak, reel döviz kuru
oynaklığını büyüme ve işsizlik oranı değişkenleriyle modellemiştir.

Bircan ve Karagöz (2003), Ocak 1991- Aralık 2002 dönemleri için Türkiye’de 132 aylık döviz
kuru verilerini kullanarak Box- Jenkins Modelleri ile aylık döviz kuru tahmini üzerine
çalışmışlardır. Bu çalışmada söz konusu dönem için en uygun model ARIMA(2,1,1) modeli
olarak belirlenmiştir.

3
Kayral (2016), Türkiye’de Dolar ve Euro kurlarının 2002-2015 dönemine ait günlük verileriyle
yaptığı çalışmada, volatilitelerin elde edilmesinde simetrik modeller olarak ARCH(1), ARCH-
M(1), GARCH(1,1) ve GARCH-M(1,1) modellerini, asimetrik modeller olarak ise
EGARCH(1,1), EGARCH-M(1,1), TARCH(1,1) ve TARCH-M(1,1) modellerini incelemiştir.
Çalışma sonucunda en uygun model olarak GARCH(1,1) modeli belirlenmiştir. Yine aynı
çalışmada, getirilerden volatilitelere doğru (2008-2010 alt döneminde dolar hariç) tek yönlü bir
nedensellik ilişkisi tespit edilmiştir.

Öztürk (2010), çalışmasında Türkiye için döviz kuru oynaklığı ve döviz kuru oynaklığının faiz
oranı oynaklığı ile olan ilişkisini incelemiştir. Çalışmasında döviz kuru oynaklığının
belirlenmesinde GARCH ve TGARCH modellerini karşılaştırmış, 2002-2009 dönemi için
döviz kuru oynaklığı ile faiz oranı oynaklığı arasındaki ilişkiyi iki değişkenli BEKK modelini
kullanarak araştırmıştır. Elde ettiği sonuçlara göre, TGARCH modelinin GARCH modelinden
daha iyi sonuç verdiğini ve döviz kuru oynaklığı ile faiz oranı oynaklığı arasında istatistiksel
olarak yüksek derecede anlamlı bir ilişki olduğunu tespit etmiştir.

Çiçek ve Öztürk (2007), 23.02.2001-29.12.2006 dönemleri arasındaki günlük verileri

kullanarak, Türkiye’de net yabancı hisse senedi yatırımlarının TL/$ döviz kurunun düzeyi ve
volatilitesi üzerindeki etkisini çok değişkenli GARCH-M(1,1) modeli kullanarak incelemiştir.
Yaptıkları çalışmada, net yabancı hisse senedi yatırımlarının döviz kuru volatilitesini anlamlı
bir şekilde etkilememesine karşılık; net yabancı hisse senedi yatırımlarındaki belirsizliğin döviz
kuru düzeyi üzerinde anlamlı ve negatif bir etkisi olduğu ve TL/$ döviz kuru düzeyi net
uluslararası rezervlerdeki volatiliteye yüksek derecede duyarlı, fakat net uluslararası rezervlerin
döviz kuru volatilitesi üzerine etkisinin sıfıra yakın olduğu sonucuna ulaşmışlardır. Modelde
TL/$ döviz kuru düzeyinin en önemli belirleyicisi, net uluslararası rezervlerdeki belirsizliktir.

Sağlam ve Başar (2016), yaptıkları çalışmada, Türkiye döviz piyasalarında Dolar, Euro ve
Sterlin döviz kuru verileri için en uygun öngörü modelinin hangileri olduğu üzerinde
çalışmışlardır. 01.01.2010-30.11.2015 zaman dilimini kapsayan çalışmanın sonucunda
yazarlar, Euro ve Dolar için en iyi öngörü modelinin asimetrik modeller, Sterlin için ise simetrik
modeller olduğu sonucuna ulaşmışlardır.

Köse ve diğerleri (2008), 1995-2008 dönemi için Türkiye’de döviz kuru oynaklığının ihracata
etkisi üzerine yaptıkları çalışmada, döviz kuru oynaklığının modellenmesi için GARCH
modelini kullanmışlardır. Elde edilen bulgular, döviz kuru oynaklığının Türkiye ihracatını hem
uzun dönemde hem de kısa dönemde negatif etkilediğini göstermiştir.

4
Ünal (2009), döviz kuru oynaklığının öngörülmesi ve risk yönetimi hakkında yaptığı çalışmada,
TL/$ ve TL/£ kurlarının öngörülmesinde en uygun modelin GARCH(1,1) olduğunu
göstermiştir. TL/Euro kurunun öngörüsünde kullanılacak en uygun tahminleme ise
EGARCH(1,1) modeli olarak belirlenmiştir. Bu çalışmada veriler Nisan 2002- Mart 2009
tarihlerini kapsamaktadır.

Albayrak (2012), 1992-2008 yılları arasında, Türkiye’de reel döviz kuru oynaklığının doğrudan
yabancı sermaye girişleri üzerine etkisini çalışmış ve reel döviz kuru oynaklığını belirten en iyi
modeli GARCH(1,1) modeli olarak belirlemiştir. Yapılan çalışmada Türkiye için reel döviz
kuru oynaklığının doğrudan yabancı sermaye girişinde etkisinin olmadığı görülmüştür.

Ertuğrul ve Gül (2012), Türkiye’de dolar kurunun volatilitesinin modellenmesinde en uygun

modelin hangisi olduğunu Temmuz 2001-Mayıs 2010 tarihleri arasında incelemiştir. Yapılan
çalışmada, SWARCH modelinin, ARCH ve GARCH modellerinden daha iyi tahmin
yeteneğinin olduğu sonucuna ulaşılmıştır.

Döviz kuru getiri oranlarındaki oynaklık, Türkiye’de olduğu kadar yurtdışında da üzerine çok
çalışılan bir konudur. Bu noktada Galati ve Ho (2003), euro/dolar döviz kuru üzerinde pozitif
ve negatif şokların etkilerini incelemişlerdir. Yine Sansches (2003), döviz kurlarında pozitif
şokların döviz kuru oynaklığında negatif şoklara göre daha büyük etkisinin olduğunu
göstermiştir. Bollerslav (1998), Lee (1991), Mitchell (2002), Bansal (2014), Popovici (2015)
ve Murari (2015) gibi birçok yabancı iktisatçı da döviz kuru oynaklıkları üzerine en iyi modeli
belirlemek için inceleme yapmışlardır.

3. YÖNTEM

Ampirik çalışmalarda yaygın olarak kullanılan ekonometrik yöntem En Küçük Kareler (EKK)
yöntemidir. Ancak bu yöntemde elde edilen parametre katsayılarının güvenilirliği bazı
varsayımlara dayandırılmıştır. Bunlardan biri, değişkenlerin ortalamasının ve kovaryansının
sabit olduğu varsayımıdır (Uysal ve Özşahin, 2012). Granger ve Newbold (1974), ortalama ve
varyansın zaman içerisinde değiştiği modeller için “sahte regresyonlar” tanımını kullanmıştır.

Döviz kuru piyasalarında belirsizliğin getirdiği riskleri belirlemek için, öncelikle belirsizliğin
miktarı ölçülmelidir. Ancak, Mandelbrot (1963), finansal piyasalarda işlem gören varlıkların
fiyatlarındaki büyük miktarlı değişimlerin yine büyük miktarlı değişimler tarafından takip
edildiğini söylemiştir, vice varsa. Bu durum, finansal piyasaların dinamik olma özelliğini ön
plana çıkarmaktadır (Güloğlu ve Akman, 2007). Söz konusu dinamik durum, döviz kurları için

5
de geçerlidir. Bu nedenle döviz kurları verileriyle oluşturulan zaman serilerinde varyans değeri
çoğu zaman sabit bir değer almamaktadır. Dolayısıyla klasik regresyon modellemeleri, döviz
kurlarındaki oynaklığın belirlenmesinde yetersiz kalmaktadır.

Finansal piyasaların dinamik yapısı altında, zaman içerisinde değişen oynaklığı belirlemek için
Engle (1982) tarafından Otoregresif Koşullu Değişen Varyans Modeli (ARCH) geliştirilmiştir.
Daha sonra bu modelin bazı eksiklerinin giderilmesi amacıyla Bollerslav (1986),
Genelleştirilmiş Otoregresif Koşullu Değişen Varyans Modeli’ni (GARCH) oluşturmuştur.
GARCH modeli, ARCH modelinin otoregresif hareketli ortalama modeline
dönüştürülmesinden ibarettir (Güloğlu ve Akman, 2007).

3.1. ARCH Modeli

Engle (1982), koşulsuz varyans sabit iken koşullu varyansın zamana göre değiştiği durumlarda,
koşullu varyansı hata terimlerinin karelerinin bir fonksiyonu olarak modellemeyi başarmıştır.
Bu sayede, varyans modeli tanımlanarak, AR (1), birinci dereceden otoregresif modellerin
oynaklık derecelerinin belirlenmesi sağlanmıştır.

AR(1) sürecinde bir model şu şekilde yazılabilmektedir:

Yt = αYt-1 + εt (1)

Burada Yt’nin koşulsuz ortalaması 0 (sıfır), koşullu ortalaması αYt-1’dir. Yine Yt’nin koşulsuz
𝜎2
varyansı 1−𝑦2 iken koşullu varyansı ht’dir.

𝜎2
> 1 olduğunda, koşullu varyansın koşulsuz varyanstan daha küçük olduğu görülecek ve
1−𝑦2

küçük değerli varyans tercih edilecektir. Bu durumda ht’nin tahmin modelinin oluşturulması,
modelin oynaklık derecesinin belirlenmesini sağlayacaktır. Engle (1982), koşullu varyansı,
hata terimlerinin karelerinin bir fonksiyonu olarak şu şekilde göstermiştir:

εt2 = α0 + α1 εt-12+ α2 εt-22+… + αq εt-q2 + Vt (2)

εt+12 = α0 + α1 εt2+ α2 εt-12+… + αq εt+1-q2 + Vt+1 (3)

Vt = 0 ise;

Yt = εt ht-1 (4)

6
Bu denklemlerden yola çıkarak, gerekli matematiksel işlemler yapıldığında ARCH modeli
olarak tanımlanan koşullu varyans modeli normallik varsayımı altında şu şekilde ifade
edilebilmektedir:

ht = α0 + α1 yt-12 (5)

Bu model, 1. Dereceden bir ARCH modelidir. ARCH modelinde koşullu varyans, hata
terimlerinin geçmiş değerlerine bağlı olarak elde edilmektedir. Ancak ARCH modelleri basit
modeller olmasına rağmen oynaklığı tahmin etmek için çok parametre gerektirebilmektedir. Bu
noktada GARCH modelleri, kimi zaman ARCH modellerine göre daha iyi sonuçlar
verebilmektedir (Kaplan, 2009).

3.2. GARCH Modeli

Bolleslav (1986), koşullu varyansın hata terimlerinin gecikmeli değerlerine ilave olarak kendi
gecikmeli değerlerini de modele dahil ederek ARCH modelini geliştirmiştir. Basit bir
eklemeyle GARCH(1,1) modeli şu şekilde gösterilebilmektedir:

ht = α0 + α1 yt-12 + β1ht-12 (6)

GARCH modeli, gecikmeli koşullu varyansları modele ekleyerek oynaklık olarak ifade edilen
belirsizliğin derecesini belirlemeye çalışmaktadır. Varyansın pozitif değerler alması normal
olduğundan, modeldeki parametrelerin toplamının da pozitif olması beklenmektedir. Aynı
zamanda bu parametrelerin toplamı (α1 + β1) 1’den küçükse, sürecin durağan bir süreç olduğu
çıkarımı da yapılabilmektedir. α1 + β1 değeri 1’e ne kadar çok yaklaşırsa, oynaklık etkisinin o
kadar büyük olduğu yorumu yapılabilmektedir. Eğer α1 + β1 değeri 1’den büyükse, çalışmadaki
seri için asimetrik modellerin daha iyi sonuç vereceği bir gerçektir.

3.3. T-GARCH Modeli

Zakoian (1994) tarafından geliştirilen T-GARCH modelinde, simetrik modellerden farklı

olarak, volatiliteye gelen negatif ve pozitif şokların etkilerini asimetrik olarak ölçebilmektedir.
Bu modele göre AR(1) sürecindeki bir serinin T-GARCH varyans denklemi şu şekilde
oluşmaktadır:

ht = α0 + (α1 + α2) εt-12 + β1 ht-12 (7)

Modelde pozitif şokların etkilerini görmek için, α2 katsayısı “0” olarak denkleme dahil
edilmektedir. Negatif şokların etkileri ise bütün parametrelerin tahmin sonuçlarının tam olarak

7
yazılmasıyla görülebilmektedir. Yani, α2 > 0 olduğu sürece, serinin volatilitesi üzerinde negatif
şokların etkisi pozitif şoklardan daha yüksek olacaktır.

4. VERİLER ve UYGULAMA

Bu çalışmada, Türkiye’nin yerel parasını “1 000 000 TL= 1 TL” şeklinde revize ettiği 2005
yılından, 2017 yılına kadar olan süreçte Euro ve Dolar kurlarının oynaklığını en iyi şekilde
tahminleyen modelin hangisi olduğu üzerinde çalışılmıştır. Söz konusu inceleme için veriler
T.C. Merkez Bankası’nın veritabanından 02.01.2005-15.05.2017 dönemi için günlük alış kuru
değerleri olarak alınmıştır.

02.01.2005-15.05.2017 dönemi için günlük Dolar ve Euro kurlarının alış fiyatı grafiği Şekil 1
ve Şekil 2’de gösterilmiştir.

Şekil 1. Dolar kurunun günlük değişimi

Şekil 2. Euro kurunun günlük değişimi

Kaynak: Merkez Bankası

8
Şekildeki Euro ve Dolar kurlarının günlük değerlerinin oluşturduğu serilerin, artan trende sahip
olduğu ve durağan olmadığı açık olarak görülmektedir. Dolar ve Euro kurlarının getirileri,

𝐸𝑅𝑡
Rt = log(𝐸𝑅𝑡−1)x100

formülü kullanılarak hesaplanmıştır. Bu hesaplama sonucu oluşturulan Euro ve Dolar kurunun

getiri serilerinin grafikleri Şekil 3 ve Şekil 4’te gösterilmiştir.

Şekil 3. Dolar Kuru Günlük Getiri Oranı Serisi (%) (x100)

Şekil 4. Euro Kuru Günlük Getiri Oranı Serisi (%) (x100)

Zaman serilerini sağlıklı şekilde modelleyebilmek için serilerin durağan olmaları

gerekmektedir. Bu noktada Euro ve Dolar kurlarının günlük getiri oranı serilerinin durağanlık
derecelerinin belirlenmesi için serilere Genişletilmiş Dickey-Fuller testi uygulanacaktır. Test
sonuçları Tablo 1’de gösterilmiştir.

Tablo 1. Genişletilmiş Dickey-Fuller Birim Kök Test Sonuçları

%1 %5 %10 Olasılık
RDolar -2.565 -1.940 -1.61 0.0001
REuro -3.432 -2.862 -2.567 0.0001

9
Tablodaki sonuçlara göre boş hipotez reddedilebilmektedir. Yani seri birim kök içermeyen,
durağan bir seridir. Söz konusu serilerin dağılım grafikleri Şekil 5’te; betimleyici istatistikleri
Tablo 2’de gösterilmiştir.

Şekil 5. Serilerin Dağılım Grafikleri

DOLAR EURO

Tablo 2. Serilerin Betimleyici İstatistikleri

RDolar REuro
Ortalama 0.000714 0.000665
Medyan -0.000300 -0.000100
Maksimum 0.111100 0.115200
Minimum -0.189700 -0.137900
Standart Sapma 0.015866 0.019019
Çarpıklık -0.025062 0.235930
Basıklık 14.90109 8.752166
Jarque-Bera 18424.79 4323.369
Betimleyici istatistikler incelendiğinde, basıklık değerlerinin çok yüksek olması nedeniyle
döviz kuru getiri serilerinin beklenildiği gibi aşırı basıklığa sahip olduğu göze çarpmaktadır.
Bu durum, döviz kuru getiri serilerinde genel olarak görünen kalın kuyruk özelliğinin bu
çalışmada incelenen seriler için de geçerli olduğunu göstermektedir. Aynı zamanda bu
istatistikler, serilerin değişen varyans yapısına sahip olabilecekleri yönünde güçlü bir işaret
vermektedir.

Çalışmada ilk olarak, döviz kuru getiri serileri AR modeli kullanılarak EKK yöntemiyle tahmin
edilmeye çalışılmıştır. Yapılan incelemede Dolar ve Euro getiri serileri için AR(1) sürecindeki
modellerin daha iyi sonuç verdiği görülmüştür. Dolar ve Euro getiri serilerinin AR(1)

10
sürecindeki modellerinin EKK tahmin sonuçları Tablo 3’te verilmiştir. AR(1) süreci için
oluşturulan tahmin modelleri şu şekildedir:

RDolt = α + β1RDolt-1 + εt

REurot = α + β1REurot-1 + εt

Tablo 3. AR(1) sürecinde EKK tahmin sonuçları

α β1
RDolar 0.0007** 0.0527***
(2.378) (5.570)
REuro 0.0006* 0.0720***
(1.791) (6.064)

Modellerin değişen varyans yapısına sahip olup olmadıkları, ARCH heteroskedastite testiyle
kontrol edilmiştir. Söz konusu testin sonuçları Tablo 4’te gösterilmiştir.

Tablo 4. Serilerin ARCH Heteroskedastite Test Sonuçları

DOLAR EURO

Heteroskedasticity Test: ARCH Heteroskedasticity Test: ARCH

F-statistic 119.3778 Prob. F(1,3119) 0.0000 F-statistic 88.45161 Prob. F(1,3112) 0.0000
Obs*R-squared 115.0508 Prob. Chi-Square(1) 0.0000 Obs*R-squared 86.06232 Prob. Chi-Square(1) 0.0000

Test Equation: Test Equation:

Dependent Variable: RESID^2 Dependent Variable: RESID^2
Method: Least Squares Method: Least Squares
Date: 05/24/17 Time: 23:27 Date: 05/24/17 Time: 23:29
Sample (adjusted): 1/05/2005 5/25/2017 Sample (adjusted): 3 3116
Included observations: 3121 after adjustments Included observations: 3114 after adjustments

Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.

C 0.000203 1.70E-05 11.89885 0.0000 C 0.000300 1.88E-05 15.92868 0.0000

RESID^2(-1) 0.191999 0.017573 10.92601 0.0000 RESID^2(-1) 0.166245 0.017676 9.404871 0.0000

R-squared 0.036863 Mean dependent var 0.000251 R-squared 0.027637 Mean dependent var 0.000360
Adjusted R-squared 0.036555 S.D. dependent var 0.000937 Adjusted R-squared 0.027325 S.D. dependent var 0.001003
S.E. of regression 0.000920 Akaike info criterion -11.14393 S.E. of regression 0.000989 Akaike info criterion -10.99874
Sum squared resid 0.002639 Schwarz criterion -11.14006 Sum squared resid 0.003045 Schwarz criterion -10.99486
Log likelihood 17392.11 Hannan-Quinn criter. -11.14254 Log likelihood 17127.04 Hannan-Quinn criter. -10.99735
F-statistic 119.3778 Durbin-Watson stat 2.034110 F-statistic 88.45161 Durbin-Watson stat 2.055505
Prob(F-statistic) 0.000000 Prob(F-statistic) 0.000000

Test sonuçları incelendiğinde, hem Dolar kuru hem de Euro kuru için günlük getiri serilerinde
değişen varyans sorunu olduğu göze çarpmaktadır. Değişen varyansa sahip AR(1) süresindeki
modelin ARCH ve GARCH modelleriyle tahmin edilmesi daha sağlıklı sonuçlar verecektir.
Söz konusu serilerin ARCH(1), ARCH(2), GARCH(1,1), GARCH(2,1) ve GARCH(2,2)
modeli tahmin sonuçları Tablo 5’te verilmiştir.

11
Tablo 5. Simetrik Model Denklemleri

Varyans Denklemi Ortalama

Denklemi
C α α β1 β2 C AR(1) AIC SIC
1 2

ARCH(1) Dolar 0.0001 0.3771 - - - 0.0001 0.0694 -5.573 -5.565

(***) (***) (***)

Euro 0.0002 0.4287 - - - -0.000 0.0863 -5.196 -5.188

(***) (***) (***)
ARCH(2) Dolar 0.0001 0.2928 0.2446 - - 0.0002 0.0387 -5.621 -5.611
(***) (***) (***) (**)

Euro 0.0001 0.3446 0.3166 - - 0.0004 0.0664 -5.267 -5.257

(***) (***) (***) (***)
GARCH(1,1) Dolar 0.0000 0.1272 - 0.8784 - 0.0000 0.0501 -5.884 -5.875
(***) (***) (***) (**)

Euro 0.0000 0.1582 - 0.8343) - 0.0000 0.0843 -5.427 -5.417

(***) (***) (***) (***)
GARCH(2,1) Dolar 0.0000 0.1552 -0.0402 0.8899 - 0.0000 0.0482 -5.884 -5.873
(***) (***) (**) (***) (**)

Euro 0.0000 0.2071 -0.1008 0.8888 - -0.001 0.0788 -5.429 -5.417

(***) (***) (***) (***) (***)
GARCH(2,2) Dolar 0.0000 0.1532 0.0755 -0.0031 0.7846 0.0000 0.0514 -5.887 -5.873
(***) (***) (***) (***) (***)
Euro 0.0000 0.1983 -0.1891 1.6535 -0.6628 0.0000 0.0819 -5.447 -5.434
(***) (***) (***) (***) (***) (***)

α
Modeller tek tek incelendiğinde, 1 > 0 ve β1 > 0 varsayımına uyan ve AIC, SIC değerleri en
düşük olan modelin, iki seri için de GARCH(1,1) modeli olduğu görülmektedir. Ancak bu
modelde, yine her iki seri için de ortalama denklemlerinin sabitleri (c) istatistiki olarak anlamsız
α
çıkmaktadır. Buna ek olarak, 1 + β1 değerinin Dolar kuru getiri serisi için 1’den büyük, Euro
kuru getiri serisi için ise 1’e çok çok yakın olduğu görülmektedir. Bu durum, oluşturulan
modellerin durağan olmadığını göstermektedir. Bu nedenle, çalışmada kullanılan serilerin
oynaklığının tahmini için simetrik modeller yerine asimetrik modellerin kullanılması daha
uygundur.

Tablo 6’da, Dolar ve Euro kurlarının getiri serilerinin, AR(1) süreci altında oluşturulan T-
GARCH(1,1,1) modelinin tahmin sonuçları görünmektedir.

12
Tablo 6. AR(1):TGARCH(1,1,1) Asimetrik Model Sonuçları

T-GARCH(1,1,1) Varyans Denklemi Ortalama Denklemi

C α α β1 C AR(1) AIC SIC
1 2

Dolar 0.0188 0.1525 -0.0948 0.8913 0.0003 0.0538 -5.596 -5.584

(***) (***) (***) (***) (*) (***)

Euro 0.0631 0.1930 -0.1439 0.8660 0.0005 0.0995 -5.450 -5.439

(***) (***) (***) (**) (***)

***: %1 düzeyinde anlamlı, **: %5 düzeyinde anlamlı, *: %10 düzeyinde anlamlı.

Tablo 6’da görüldüğü gibi, AR(1) süreci altında oluşturulmuş T-GARCH(1,1,1) modelinde
ortalama denklemindeki sabitlerin istatistiki olarak anlamsız çıkma sorunu ortadan kalmış ve
bütün değişkenler anlamlı çıkmıştır. Yine AIC ve SIC değerlerinin, bu modelde, simetrik
modeldeki değerlerden daha küçük olduğu göze çarpmaktadır.

Sonuç olarak, Dolar kuru günlük getiri serisinin ortalama ve varyans tahmin modeli şu şekilde
oluşturulmuştur:

Ortalama Denklemi : RDolt = 0,0003 + 0,0538 RDolt-1 + εt

Varyans Denklemi: ht = 0,0188 + 0,1525 εt-12 + 0,8913 ht-12 (Pozitif Şok)

Varyans Denklemi: ht = 0,0188 + (0,1525 – 0,0948) εt-12 + 0,8913 ht-12 (Negatif Şok)

Euro kuru günlük getiri serisinin ortalama ve varyans tahmin modeli ise şu şekildedir:

Ortalama Denklemi : REurot = 0,0005 + 0,0995 REurot-1 + εt

Varyans Denklemi: ht = 0,0631 + 0,1930 εt-12 + 0,8660 ht-12 (Pozitif Şok)

Varyans Denklemi: ht = 0,0631 + (0,1930 – 0,1439) εt-12 + 0,8660 ht-12 (Negatif Şok)

Çalışmada baz alınan zaman dilimi içerisinde Dolar ve Euro kurlarının günlük getirilerinin
yüksek oynaklık özelliğine sahip olduğu ve şok etkilerinin kalıcı olduğu görülmektedir. Yine
kurlar üzerindeki pozitif şokların etkisi, negatif şokların etkisinden daha güçlü yapıdadır.

5. SONUÇ

Finansal piyasalarda ve döviz kuru piyasalarında, belirsizliğin yarattığı risk ortamından

kurtulmak için belirsizliğin ne derecede olduğu tahmin edilmelidir. Ancak bu tür serilerde genel
olarak varyansın sabit olmaması ve doğal olarak serilerin yüksek oynaklık derecelerine sahip
olması, serilerin EKK gibi genel ekonometrik tahmin yöntemleriyle modellenmesine olanak
vermemektedir.

13
Engle (1982) ve Bollastrov’un (1986) değişen varyans yapısına sahip modelleri tahminlemek
için ortaya attıkları ARCH ve GARCH modelleri, söz konusu piyasa verileriyle oluşturulmuş
serilerdeki oynaklığı ölçmek için birer araç olarak kullanılabilmektedir. Bununla beraber, yine
daha sonra yapılan çalışmalarla ortaya atılan E-GARCH, T-GARCH gibi asimetrik modellerin
kurulmasıyla da oynaklık seviyeleri daha sağlıklı olarak sınanabilir hale gelmiştir.

Çalışmada, T.C. Merkez Bankası’ndan alınan günlük verilerle, 02.01.2005- 15.05.2017 tarihleri
arasında Euro ve Dolar döviz kurlarının günlük getiri oranlarındaki oynaklığı tahmin eden en
iyi model T-GARCH(1,1,1) olarak belirlenmiştir. Her iki seri için de yüksek oynaklık
derecesine sahip oldukları söylenebilmekle birlikte, şok etkilerinin kalıcı olduğu sonucuna
ulaşılmıştır. Her iki seri, pozitif şoklardan, negatif şoklara göre daha çok etkilenmektedir.

KAYNAKÇA

Akıncı, Ö., Çulha, O.Y., Özlale, Ü. ve Şahinbeyoğlu, G.(2005). “Effectiveness of Foreign

Exchange Interventions for the Turkish Economy: a post-crisis period analysis” TCMB
Working Papers, Paper No. 0506, Research and Monetary Policy Department, Central Bank of
the Republic of Turkey.

Akman, A. ve Güloğlu, B. (2007). “Türkiye’de Döviz Kuru Oynaklığının SWARCH Yöntemi

ile Analizi”, Finans, Politik & Ekonomik Yorumlar, (44):512, ss: 43-51.

Ayhan, D. (2006). “Döviz Kuru Rejimlerinin Kur Oynaklığı Üzerine Etkisi: Türkiye Örneği”,
İktisat İşletme ve Finans, ss: 64–76.

Balaban, E. (2004). “Comparative Forecasting Performance of Symmetric and Asymmetric

Conditional Volatility Models of an Exchange Rate”, Economics Letters, 83, ss: 99-105.

Bollerslav, T. (1986). “Generalized Autoregressive Conditional Heteroscedasticity”, Journal

of Econometrics, 31, ss: 307-327.

Çağlayan, E. ve Dayıoğlu, T.(2009). “Döviz Kuru Getiri Volatitesinin Koşullu Değişen

Varyans Modelleri ile Öngörüsü”, Ekonometri ve İstatistik Dergisi, 9,ss: 1-16.

Engle, R. F. (1982). “Autoregressive Conditional Heteroscedasticity with Estimates of the

Variance of UK Inflation, Econometrica, 50, ss: 987-1007.

Galati, G, Ho, C. (2003). “Macroeconomic News and The Euro/Dollar Exchange Rate”,
Economic Notes, (32): 3, ss: 371-398.

14
Gür, T. H. ve Ertuğrul, H. M. (2012), “Döviz kuru volatilitesi modelleri: Türkiye uygulaması”,
İktisat İşletme ve Finans, (27): 310, ss: 53-77.

Hill, R. C., Griffiths, W. E ve Lim, C. Y.(2008), “Using EViews for Principles of

Econometrics”, 3rd Edition.

Kaplan, F. (2009). “Türkiye’de Reel Döviz Kurlarındaki Oynaklığın İşsizlik ve Büyüme

Oranları Üzerine Etkileri”, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi SBE, Isparta.

Mandelbrot, B. (1963). “The Variation of Certain Speculative Prices”, Journal of Business, 36,
ss: 394-419.

Sağlam, M. ve Başar, M. (2016), “Döviz Kuru Oynaklığının Öngörülmesi: Türkiye Örneği”,

KMÜ Sosyal ve Ekonomik Araştırmalar Dergisi, (18): 31, ss: 23-29.

Sengupta, J. K. (2002). “Modelling Exchange Rate Volatility”, Department of Economics,

UCSB Department Working Papers, ss:12-96.

Uysal, D. ve Özşahin, Ş. (2010). “Reel Efektif Döviz Kuru Endeksi Volatilitesinin ARCH ve
GARCH Modelleri ile Tahmini”, Anadolu Üniversitesi Sosyal Bilimler Dergisi, (12):1, ss: 13-
20.

Ünal, S. (2009), “Döviz Kuru Oynaklığının Ölçülmesi ve Risk Yönetimi: Türkiye Örneği”,
Uzmanlık Yeterlilik Tezi, TCMB, Ankara.

Zakoian, J.M. (1994). “Threshold Heteroskedasticity Models”, Journal of Economic Dynamics

and Control, 15, ss: 931-955.

15
16