New bootstrap methods for exchange rate prediction under GARCH(p,q) process
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: İngilizce
Öğrenci: BESTE HAMİYE BEYAZTAŞ
Danışman: ESİN FİRUZAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Fiyat değişimleri finansal zaman serileri analizinin önemli bir parçasını oluşturur. Döviz kurları, piyasa endeksleri, faiz oranları ve opsiyon fiyatları gibi finansal zaman serilerinin modellenmesi, modelin doğru parametre tahminlerinin elde edilmesi ve gelecek değerlerin öngörülmesi, risk ve belirsizliğin değerlendirilmesinde kritik bir rol oynar. Uluslararası döviz piyasasında, genelleştirilmiş otoregresif koşullu değişen varyans modeli, oynaklığın modellenmesi ve getirilerin yanında oynaklıkların dinamik öngörü aralıklarının elde edilmesi için en yaygın olarak kullanılan yöntemlerden biridir. Teknik olarak, bu öngörü aralıklarının oluşturulması, uygulamada genellikle bilinmeyen bazı dağılımsal varsayımları gerektirir. Dahası, tahminlenen parametre değerleriyle oluşturulan öngörü aralıkları, varsayımlardan herhangi bir sapma nedeniyle etkilenebilir ve güvenilmez sonuçlara yol açabilir. Dağılımsal varsayımları dikkate almadan öngörü aralıkları oluşturmanın bir yolu, bootstrap gibi yeniden örnekleme yöntemlerinin kullanılmasıdır. Bu tezde, koşullu değişen varyans modellerinde geçerli öngörü aralıklarının elde edilmesi için iki yeni blok bootstrap tabanlı yöntem önerilmiştir. İlk olarak, önerilen blok bootstrap yöntemleri doğrusal zaman serisi modelleri kapsamında tartışılmıştır. İkinci olarak, bu yöntemler öngörü aralıkları elde etmek için heteroskedastik modellere uygulanmıştır. Önerilen yöntemlerin performansları hem gerçek dünya örnekleri hem de simülasyon çalışmaları aracılığıyla varolan yöntemlerle karşılaştırılmıştır. Parametre tahmini için elde ettiğimiz sonuçlar, önerdiğimiz yöntemlerin varolan yöntemlerden daha iyi performansa sahip olduğunu göstermektedir. Ayrıca, önerdiğimiz yöntemler varolan yöntemlere göre daha iyi öngörü aralıkları üretmektedir.