finans piyasalarında volatilite hesaplama yöntemleri
DESCRIPTION
Finansal ürünlerin volatilitelerinin hesaplanma yöntemleriTRANSCRIPT
T.C.MARMARA ÜNİVERSİTESİ
BANKACILIK VE SİGORTACILIK ENSTİTÜSÜSERMAYE PİYASASI ve BORSA ANABİLİM DALI
YÜKSEK LİSANS DÖNEM PROJESİ
FİNANSAL PİYASALARDAVOLATİLİTE HESAPLAMA YÖNTEMLERİ
Salim KASAP
903208002
İSTANBUL, 2009
T.C.MARMARA ÜNİVERSİTESİ
BANKACILIK VE SİGORTACILIK ENSTİTÜSÜSERMAYE PİYASASI ve BORSA ANABİLİM DALI
YÜKSEK LİSANS DÖNEM PROJESİ
FİNANSAL PİYASALARDAVOLATİLİTE HESAPLAMA YÖNTEMLERİ
Salim KASAP
903208002
Danışman:Yrd.Doç.Dr. İ. Özlem KOÇ
İSTANBUL, 2009
İçindekiler
1 Finansal Piyasalar ve Volatilite 1
1.1 Volatilite Özellikleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Volatilite Tahmini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Volatilite Hesaplama Yöntemleri 13
2.1 Tarihsel Volatilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Üstel Ağırlıklı Volatilite . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Garch (1,1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.1 Garch(1,1) Değişkenlerin Tahmini . . . . . . . . . . . . . . . . 19
2.3.2 Modelin Geçerliliği . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.3 GARCH(1,1) Gelecekteki Volatilitenin Tahmini . . . . . . . . 25
3 Volatilite ve Opsiyonlar 29
3.1 Opsiyon Volatilite Vade Yapısı . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Öngörülen Volatilite . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Tablo Listesi
1 Volatilite Verisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Ağırlıklı Ortalama Volatilite . . . . . . . . . . . . . . . . . . . . . . . 8
3 60 Gün Opsiyon Volatilitesi . . . . . . . . . . . . . . . . . . . . . . . 9
4 GARCH(1,1) Değişken Tahmini . . . . . . . . . . . . . . . . . . . . . 21
5 GARCH(1,1) 1999-2009 ve 2003-2009 . . . . . . . . . . . . . . . . . . 23
6 GARCH(1,1) Otokorelasyon Testi . . . . . . . . . . . . . . . . . . . . 25
7 İMKB30 Endeks Volatilite Vade Yapısı . . . . . . . . . . . . . . . . . 29
8 Volatilite Vade Yapısı %1 Volatilite Değişimi Etkisi . . . . . . . . . . 30
9 8 Ekim 2008 USDTL Öngörülen Volatilite . . . . . . . . . . . . . . . 32
10 Uzun Zaman Yayılma Pozisyonu . . . . . . . . . . . . . . . . . . . . . 32
11 Uzun Zaman Yayılma Pozisyonu Greek Ölçümleri . . . . . . . . . . . 33
Şekil Listesi
1 USDTL 16.12.05 - 5.02.09 . . . . . . . . . . . . . . . . . . . . . . . . 1
2 USDTL 10 Gün Volatilite 16.12.05 - 5.02.09 . . . . . . . . . . . . . . 2
3 USDTL Volatilite Konisi 16.12.05 - 5.02.09 . . . . . . . . . . . . . . 3
4 USDTL 10 Gün Volatilite Dağılım 16.12.05 - 5.02.09 . . . . . . . . . 4
5 USDTL Fiyat, 10 Gün Volatilite 16.12.05 - 5.02.09 . . . . . . . . . . . 4
6 EURUSD / 10 Gün Volatilite 19.12.05 - 6.02.09 . . . . . . . . . . . . 5
7 EURUSD Volatilite Konisi 19.12.05 - 6.02.09 . . . . . . . . . . . . . . 6
8 İMKB 30 Endeks/ 10 Gün Volatilite 2.11.05 - 5.02.09 . . . . . . . . . 7
9 İMKB 30 Endeks Volatilite Konisi 2.11.05 - 5.02.09 . . . . . . . . . . 7
10 USDTL 1 Ay Volatilite 23.11.06 - 25.08.08 . . . . . . . . . . . . . . . 11
11 İMKB 30 ÜAHO Volatilite λ = 0, 94 25.01.99 - 6.02.09 . . . . . . . . 16
12 İMKB 30 / ÜAHO Volatilite λ = 0, 94: 25.01.99 - 6.02.09 . . . . . . . 17
13 İMKB 30 / GARCH(1,1) Volatilite: 25.01.99 - 6.02.09 . . . . . . . . . 22
14 İMKB 30 / GARCH(1,1) Volatilite: 1.01.03 - 6.02.09 . . . . . . . . . 24
15 GARCH(1,1) Volatilite Tahmini 25.01.99 - 6.02.09 . . . . . . . . . . . 26
16 GARCH(1,1) Volatilite Tahmini 1.01.03 - 25.11.08 . . . . . . . . . . . 27
17 GARCH(1,1) Volatilite Tahmini 1.01.03 - 6.02.09 . . . . . . . . . . . 28
18 USDTL 1 Ay ÖV-TV 12.12.03 - 19.12.08 . . . . . . . . . . . . . . . . 31
19 USDTL Öngörülen Volatilite Konisi 13.10.06 - 8.10.08 . . . . . . . . . 33
20 USDTL Öngörülen Volatilite Ekim 2006 - Aralık 2008 . . . . . . . . . 34
21 USDTL Opsiyon Fiyatları: Spot ve Volatilite Etkisi . . . . . . . . . . 34
Kısaltmalar
EYOT: En Yüksek Olasılık Tahmini
EWMA: Exponential Weighted Moving Average
GARCH: Generalized Autoregressive Conditional Heteroscedasticity
İMKB: İstanbul Menkul Kıymetler Borsası
ML: Maximum Likelihood
ÖV: Öngörülen Volatilite
TV: Tarihsel Volatilite
U30: Ulusal 30
ÜAHO: Üstel Ağırlıklı Hareketli Ortalama
VOB: İzmir Vadeli İşlemler ve Opsiyon Borsası
Giris
Ülkemiz finans piyasalarında oldukça yeni olarak nitelenebilecek türev ve ileri tü-
rev ürünlerin fiyatlaması, risklerinin yönetilmesi, gelecekte oluşabilecek senaryolara
göre pozisyonların gözden geçirilmesi için kullanılan modellerde en önemli parametre
volatilitedir. Volatilite, opsiyon fiyat modellerinde modele dışarıdan girilen tek de-
ğişkendir ve teorik modellerin gerçek dünya ile bağlantısını sağlar. Volatilite opsiyon
fiyatlarının yorumlanması, ucuz ya da pahalı olduğunun anlaşılması için yoğun ola-
rak kullanılmaktadır. Tarihsel volatiliteden farklı olarak, öngörülen volatilite (impl-
ied volatility) piyasada gözlemlenen opsiyon fiyatlarından hesaplanır veya doğrudan
veri yayımcılarından temin edilebilir. Elde edilen bu değer ilerleyen kısımlarda değin-
ilecek olan volatilite konisi, persentil, zskor vs. yöntemleri ile analiz edilip opsiyonun
pahalı/ucuz volatilitenin yüksek/düşük olduğuna karar verilebilir.
Volatilite, dayanak varlık fiyatlarından farklı bir karakteristiğe sahiptir, volatili-
tenin özellikle ortalamaya dönüş eğilimi analizlerimizde önemli yer tutmaktadır.
Bu projede volatilite ve volatilitenin etkilerine değinilecektir. Proje üç bölümden
oluşmaktadır.
Birinci bölümde finansal piyasalar ve volatilite genel olarak ele alınmıştır. Kar-
maşık hesaplamalar kullanılmadan volatilite ve piyasa gözlemleri özellikle Türkiye
örnekleri çerçevesinde incelenmiştir. Bu bölümde karmaşık hesap yöntemlerine er-
işim imkanı bulunmayan veya çok kısa zamanda karar alınması gereken durumlar
için kullanılabilecek yöntemler açıklanmıştır.
İkinci bölümde volatilite hesaplama yöntemleri incelenmiştir. Bu yöntemler:
Tarihsel, Üstel Ağırlıklı Hareketli Ortalama ve GARCH(1,1) olarak sıralanmıştır.
Ayrıca GARCH(1,1) kullanılarak gelecekteki volatilitenin tahmini konusunda form-
üller yazılmıştır. Bölüm içerisinde çok sayıda Türkiye finans piyasalarından örnekler
verilerek konunun açıklanmasına çalışılmıştır.
Üçüncü bölümde ise volatilite ve opsiyonlar arasındaki ilişki irdelenmiştir.
GARCH(1,1) kullanılarak volatilite vade yapısı (volatility term structure) oluşturul-
ması üzerinde durulmuş, volatilite değişiminin opsiyon fiyatları üzerindeki etkileri
ele alınmıştır.
İzmir Vadeli İşlemler Borsası’nın, yakın bir zamanda opsiyon işlemlerine başla-
ması beklenmektedir. Volatilite ve opsiyonlar arasındaki ilişkinin doğru anlaşılması
bu işlemleri yapan kişiler için önemli ve gereklidir. Volatilite karakteristiklerini bil-
meden ve opsiyonlar ile ilişkisini kurmadan işlem yapanların riskleri tahminlerinden
fazla olabilir ve çalıştıkları kurumlara ya da kendi hesaplarına beklemedikleri kadar
büyük zararlar verebilirler.
Opsiyon işlemlerinin organize bir piyasada başlayacak olması, volatilite konusu-
nun önemini arttırmaktadır. Bölümde ayrıca öngörülen volatilite (implied volatility)
konusuna ve piyasadaki gözlemlere yönelik analizlere yer verilmiştir. Tüm projede
hesaplamalarda kullanılan Excel VBA kodları, sırası geldikçe gösterilmiştir.
1 Finansal Piyasalar ve Volatilite
1.1 Volatilite Ozellikleri
Volatilite tahmini yapmadan önce volatilite özelliklerinin incelenmesi yerinde ola-
caktır. Şekil 1’de, 16 Aralık 2005 - 5 Şubat 2009 tarihleri arasındaki veriyi içeren
USDTL grafiği gösterilmiştir . Grafikte USDTL fiyatının serbest bir şekilde aşağı yu-
karı hareket etmiş olduğunu gözlemleyebiliyoruz: Fiyat 1,700 civarına üç defa gelmiş,
1,1500 seviyeleri de görülmüş. Grafik analiz edildiğinde UDSTL fiyatının herhangi
bir ortalama değere doğru yöneldiği kolayca söylenemez. Ekonomik gerçekleşmeler
ve piyasa arz talep koşullarının kur üzerinde etkili olduğu söylenebilir. Önümüzdeki
dönem kurun 2,00; 3,00 veya 1,00 olacağı grafiğe bakarak iddia edilemez. Şekil 2’de
1,10
1,20
1,30
1,40
1,50
1,60
1,70
1,80
16.1
2.05
16.0
2.06
16.0
4.06
16.0
6.06
16.0
8.06
16.1
0.06
16.1
2.06
16.0
2.07
16.0
4.07
16.0
6.07
16.0
8.07
16.1
0.07
16.1
2.07
16.0
2.08
16.0
4.08
16.0
6.08
16.0
8.08
16.1
0.08
16.1
2.08
Şekil 1: USDTL 16.12.05 - 5.02.09Kaynak: Bloomberg
USDTL 10 günlük volatilite grafiği gösterilmiştir. Volatilite hesaplamaları için lo-
garitmik getiri serisi kullanılmıştır1. Volatilite, USDTL fiyatına benzer şekilde aynı
dönemde zaman zaman yükselmiş, zaman zaman düşmüştür. En yüksek %65 civar-
ları görülmüş, en düşük ise %3 civarına inilmiştir. Volatilite grafiğinde dikkati çeken
1Volatilite ve logaritmik getiri konusunda detaylı bir analiz için bkz Espen Gaarder HAUG. TheComplete Guide to Option Pricing Formulas.McGraw-Hill, NY, second edition, 2007 s.445 vd.
1.1 Volatilite Özellikleri 2
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
05.09.05 24.03.06 10.10.06 28.04.07 14.11.07 01.06.08 18.12.08 06.07.09
Şekil 2: USDTL 10 Gün Volatilite 16.12.05 - 5.02.09Kaynak: Yazarın Hesaplamaları
en önemli nokta, volatilitenin yükseldiğinde/düştüğünde mutlaka ortalama bir de-
ğere doğru hareket etmiş olmasıdır. Kullanılan veri seti için bu değer %16 olarak
hesaplanmıştır. Volatilite zaman zaman trend yapmaktadır. 2006 yılı ikinci yarısın-
dan 2007 yılı ikinci yarısına kadar volatilite düşük seyretmiş ve iniş çıkışlardan ziyade
düşüş trendi içerisinde olmuştur. Bu ve benzeri dönemler düşük volatilite dönemi
olarak yorumlanabilir. 2008 Ağustos-Ekim arasında volatilite, piyasadaki çalkantıyı
gösterir şekilde yükseliş trendine girmiştir.
Volatilite özellikleri aşağıdaki gibi özetlenebilir:
1. Volatilitenin uzun dönemli bir ortalaması vardır,
2. Volatilite yükseldiğinde veya düştüğünde ortalama değerine dönme eğilimin-
dedir,
3. Volatilitenin ortalamasına belirli bir dönüş hızı vardır.
Volatilite ve ortalama ilişkisi, şekil 3’de gösterilmiş olan volatilite konisi yardımı ile
daha rahat analiz edebilir.
10 günlük opsiyonlar için volatilite:
1.1 Volatilite Özellikleri 3
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180
Gün
Vol
atili
te
10% 25% 50% 75% 90%
Şekil 3: USDTL Volatilite Konisi 16.12.05 - 5.02.09Kaynak: Yazarın Hesaplamaları
• %20 ihtimalle %5.9’dan küçük veya
• %31’den yüksek olacak (10 ve 90 persentil),
• 10 günlük ortalama volatilite ise %12.35.
60 günlük opsiyonlar için volatilite:
• %50 olasılıkla %10’dan küçük veya
• %21’den büyük olacak (25 ve 75 persentil),
• Ortalaması ise %14.
Zaman ilerledikçe, ortalama ve volatilite değerleri daha stabil hale gelmektedir. Vola-
tilite konisi, opsiyon volatilitelerinin analizinde yaygın olarak kullanılan bir yöntem-
dir ve volatilite özellikleri hakkında önemli bilgiler edinilmesini sağlar2. Şekil 4’de
10 günlük volatilitenin frekans dağılımı gösterilmiştir: Dağılımın normal olmadığı
kolaylıkla görülebilir3. Volatilite çoğu zaman düşük seyretmesine rağmen yükselişler
bazen çok ciddi boyutlara ulaşmıştır.
1.1 Volatilite Özellikleri 4
0
20
40
60
80
100
120
140
160
180
2,0%
5,1%
8,1%
11,2%
14,2%
17,3%
20,3%
23,4%
26,5%
29,5%
32,6%
35,6%
38,7%
41,7%
44,8%
47,8%
50,9%
54,0%
57,0%
60,1%
63,1%
Göz
lem
Şekil 4: USDTL 10 Gün Volatilite Dağılım 16.12.05 - 5.02.09Kaynak: Yazarın Hesaplamaları
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1,40
1,60
1,80
2,00
05.09.05 24.03.06 10.10.06 28.04.07 14.11.07 01.06.08 18.12.08 06.07.09
USDTL 10 G Vol
Şekil 5: USDTL Fiyat, 10 Gün Volatilite 16.12.05 - 5.02.09Kaynak: Bloomberg, Yazarın Hesaplamaları
Şekil 5’de USDTL ve 10 gün volatilite değerleri aynı grafikte beraber olarak gös-
terilmiştir. USDTL volatilitesi ve dolar fiyatı arasında doğrusal bir ilişkinin varlığı
2Sheldon NATENBERG. Option Volatility & Pricing. McGraw-Hill, New York, 1994 s.2753Normal dağılım N(µ, σ2) ile ifade edilir ve simetriktir. Volatilite dağılımı sağa çarpık lognormal
dağılım şeklinde görünüyor.
1.1 Volatilite Özellikleri 5
tartışılabilir: Kur yükseldikçe volatilite artmış ya da volatilite arttıkça kur yükselm-
iştir. Bu ifade, volatilite ve TL arasında ters yönlü bir ilişki mevcuttur şeklinde de
yorumlanabilir: Volatilite yükseldikçe TL değer kaybeder ya da TL değer yitirdikçe
volatilite yükselir.
1,00
1,10
1,20
1,30
1,40
1,50
1,60
19.1
2.05
19.0
2.06
19.0
4.06
19.0
6.06
19.0
8.06
19.1
0.06
19.1
2.06
19.0
2.07
19.0
4.07
19.0
6.07
19.0
8.07
19.1
0.07
19.1
2.07
19.0
2.08
19.0
4.08
19.0
6.08
19.0
8.08
19.1
0.08
19.1
2.08
EURUSD 10 G. Vol
Şekil 6: EURUSD / 10 Gün Volatilite 19.12.05 - 6.02.09 Volatilite= 1 + 10G VolatiliteKaynak: Bloomberg, Yazarın Hesaplamaları
Şekil 6’da EURUSD paritesi ve 10 günlük volatilite aynı grafikte ele alınmıştır.
Volatilite verisinin daha iyi gözlemlenebilmesi için volatilite değerlerine ‘1’ ilave edil-
mişitir. EURO 2005-2008 yükseliş trendinde 10 günlük volatilite %3 ila %13 arasında
kalmıştır. USDTL’nin 2006 Temmuz- 2007 Temmuz düşüş trendindeki volatilite özel-
likleri, EURUSD yükseliş trendi özelliklerine oldukça benzer şekilde hareket etmiştir.
Ağustos 2008 den itibaren EURUSD volatilitesinin piyasa problemlerini yansıtır şe-
kilde yükseldiği gözlemlenmiştir. İlgili döneme ait EURUSD volatilite konisi şekil
7’de gösterilmiştir. EURUSD 10 gün vadeli opsiyonlarda volatilite:
• %20 olasılıkla %32’den yüksek veya
• %6’dan düşük olacak (10 ve 90 persentil)
• Medyan değeri ise %12,35.
180 gün vadede volatilite:
1.1 Volatilite Özellikleri 6
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180
Gün
Vol
atili
te
10% 25% 50% 75% 90%
Şekil 7: EURUSD Volatilite Konisi 19.12.05 - 6.02.09Kaynak: Yazarın Hesaplamaları
• %50 olasılıkla %18 ve %11 arasında gerçekleşecek (25 ve 75 persentil).
• 180 gün ortalama volatilite ise %16,5.
Şekil 8’de İMKB ulusal 30 endeksi ve 10 günlük volatilite birlikte gösterilmiştir.
Grafikte endeks verileri 25.000 ile ölçeklenmiştir. Endeks yükselirken volatilite dar
bir bantta sakin kalmış, Endeks Ağustos 2006 ve Ocak 2008 arasında yukarı trend
yaparken volatilite ortalama %27 civarında seyretmiştir. 2008 başından itibaren ise
volatilite artışı ve fiyat düşüşü ciddi boyutlara ulaşmıştır. İMKB 30 Endeksi 10
günlük volatilite değerlerinin Ekim 2008 de %92 seviyesine yükseldikten sonra Ka-
sım 2008 de %80 seviyelerine gerilediğini gözlemlenmiştir. Bu değerlere en yakın en
yüksek seviye ise eldeki verilere dayanarak %50 olarak tespit edilmiştir. İMKB 30
endeksi 10 gün volatilitesinin 2008 Kasım ayından itibaren düşüş trendinde olduğu
söylenebilir.
Şekil 9’da İMKB 30 endeks volatilite konisi gösterilmiştir. Endeks uzun dönemli
volatilite ortalaması %32 civarında hesaplanmıştır. 60 günlük U30 endeks opsiyonu
için volatilite %50 ihtimalle %26 seviyesinden düşük veya %39 seviyesinden yüksek
olabilir.
1.1 Volatilite Özellikleri 7
0
0,5
1
1,5
2
2,5
3
3,5
17.02.05
05.09.05
24.03.06
10.10.06
28.04.07
14.11.07
01.06.08
18.12.08
06.07.09
IMKB 30 10 G Vol
Şekil 8: İMKB 30 Endeks/ 10 Gün Volatilite 2.11.05 - 5.02.09: Endeks 1/25000Kaynak: Bloomberg, Yazarın Hesaplamaları
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180
Gün
Vol
atili
te
10% 25% 50% 75% 90%
Şekil 9: İMKB 30 Endeks Volatilite Konisi 2.11.05 - 5.02.09Kaynak: Yazarın Hesaplamaları
1.2 Volatilite Tahmini 8
1.2 Volatilite Tahmini
Opsiyon işlemlerinde volatilite tahmininin öneminden daha önce bahsedilmişti. Vo-
latilite tahminleri çoğu zaman gerçeği yansıtmayabilir ve hatta kimi durumlarda
gerçekleşen volatilite tahminlerden çok farklı olabilir.
Opsiyon fiyatları ve volatilite tahminine ilişkin opsiyon trader’ı Sheldon Naten-
berg şöyle demektedir:
Bir opsiyonun değeri teorik olarak opsiyonun vadesi süresince konu fi-
nansal varlıkta oluşacak volatiliteye bağlıdır. Bu volatilite, trader için
önceden bilinemeyecek bir değişkendir. Trader, teorik fiyatlama modelle-
rinden birini kullanacaksa, dayanak varlığın gelecekte oluşabilecek vola-
tilitesine dair bir tahmin yürütmek zorundadır. Volatilite tahminindeki
tüm zorluklara rağmen, opsiyon alım satımı yapan profesyonel makul
volatilite tahmini yapabilmelidir4.
Tablo 1’de gösterilmiş olan hayali volatilite verisi kullanılarak belirli dönemler veya
cari dönem için volatilite tahmininde nasıl bir yöntem izlenebilir? Bir yöntem
Tablo 1: Volatilite Verisi
Gün 10 30 60 90 100 110 120
Volatilite 16,59% 17,78% 24,01% 33,68% 32,91% 31,90% 30,81%
Tablo 2: Ağırlıklı Ortalama Volatilite
Gün 10 30 60 90 100 110 120
Volatilite 16,59% 17,78% 24,01% 33,68% 32,91% 31,90% 30,81%× × × × × × ×
Ağırlık 30,00% 25,00% 15,00% 10,00% 10,00% 5,00% 5,00%
tüm volatilite verisinin ortalamasını almak olabilir: %26.81. Tüm veriye aynı ağırlık
4NATENBERG (1994) s.273
1.2 Volatilite Tahmini 9
Tablo 3: 60 Gün Opsiyon Volatilitesi
Gün 10 30 60 90 100 110 120
Volatilite 16,59% 17,78% 24,01% 33,68% 32,91% 31,90% 30,81%× × × × × × ×
Ağırlık 10,00% 15,00% 40,00% 15,00% 10,00% 5,00% 5,00%
uygulanmak istenmiyorsa ve kısa dönemli volatilite tahmini analizi gerçekleştiren
için daha önemli ise ağırlıklandırma yapılabilir: Tablo: 2. Ağırlıklandırma için belirli
bir kural yoktur, ağırlıklar volatilite tahminini gerçekleştiren kişinin piyasa tecrü-
besi ile şekillenir. Ağırlıklandırma yapıldığı durumda hesaplanan volatilite: %22,82.
Ağırlıklandırma vadelere göre yapılsa idi volatilite %30 hesaplanacaktı. 60 günlük op-
siyonları değerlemek için volatilite tahmini yapılıyorsa, 60 günlük veriye daha fazla
ağırlık vererek hesaplamalar gerçekleştirebilir: Tablo 3. 60 günlük volatiliteye daha
çok ağırlık verilen durumda volatilite tahmini %25,41 olarak hesaplanmıştır. Volatil-
ite tahminlerinde öngörülen volatilite de hesaba katılabilir. Bazı piyasa katılımcıları,
etkin piyasa teorimlerine inanarak öngörülen volatilitenin tüm gerçeği yansıttığını
düşünüp hesaplamalarında sadece öngörülen volatiliteyi kullanabilmektedirler. Bazı
piyasa oyuncuları ise öngörülen volatiliteye %20 ve %80 aralığında ağırlık vermeyi
uygun bulmaktadırlar. Trader kendi tahminine güveniyorsa öngörülen volatilite de-
ğerine %20 ağırlık verebilir, kendine güvenmediği durumlarda %80 ağırlığa kadar
çıkabilir. 60 Gün USDTL opsiyonları öngörülen volatilitesinin %32 olduğunu varsa-
yılsın. Trader tahminine güveniyorsa öngörülen volatilite ile birlikte yeni tahmini
%20 × %32 + %80 × %25, 41 = %26, 72
olabilir. Volatilite tahmini %50 ağırlıklandırma ile %28,7; öngörülen volatiliteye %80
ağırlık verildiğinde ise %30,68 olarak gerçekleşmiştir.
Trader, doğru volatiliteyi tahmin etmeye çalışmaktansa, volatilite koşullarına
uygun stratejiyi seçmeye odaklanmalıdır. Opsiyon stratejisini kararlaştırmak için
trader çeşitli faktörleri gözönüne alabilir:
1. Uzun dönemli volatilite ortalaması hangi seviyede?
1.2 Volatilite Tahmini 10
2. Kısa dönemli volatilite ortalama volatiliteye nazaran ne durumda?
3. Tarihsel volatilitenin trendi nasıl, yükseliyor mu düşüyor mu, stabil mi?
4. Öngörülen volatilite seviyesi nedir ve trendi nasıl?
5. Kısa mı yoksa uzun vadeli opsiyonlar ile işlem yapıyoruz?
6. Volatilite stabil mi?
Opsiyon Uygulaması
USDTL bir ay vadeli opsiyonlarda işlem yapmak istendiği varsayılsın. Analiz için bir
ay vadeli tarihsel ve öngörülen volatilite, ayrıca ikisinin uzun dönem volatilite olan il-
işkileri kullanabilir. Pozisyon açılması düşünülen güne dair yapılan analiz şekil 10’da
gösterilmiştir. Volatilite dört aydır düşen bir trend içerisinde ve trend stabil hale
gelmiştir. Hem öngörülen hem tarihsel volatilite birbirine çok yakın ve uzun dönem
ortalamanın altında fiyatlanmıştır. Daha önceki dönemler incelendiğinde volatilite
düşüş trendlerinin yaklaşık dört ay sürdüğü tespit edilmiştir. Tarihsel volatilitenin
ortalamanın altında kaldığı dönemlerde, tarihsel volatilitede herhangi bir hareket
olmamasına rağmen öngörülen volatilite zaman zaman uzun dönemli ortalamaya
doğru hareket etmiştir. Özetle söylenecek olursak volatilite artışı beklediği için açı-
lacak pozisyon uzun vega uzun gama5 olmalıdır. Volatilite oldukça düşük olduğu
ve uzunca bir süredir düşük seyrettiği için opsiyon satarak riskli bir pozisyon alın-
ması uygun görülmemiştir6. Volatilite görece düşük olduğu için uzun strangle7 veya
straddle8 pozisyonları geçmişe nazaran daha az maliyetli olacaktır. Bu stratejilere
geçmişe nazaran daha az prim ödenip daha fazla kar elde etme olasılığı ortaya çıkmış-
tır. USDTL volatilite konisi şekil 3’de gösterilmişti. 30 günlük volatilite %10 ihtimal
ile %7.5 altında olabilir, halihazırda %11. Volatilitenin daha fazla düşmesi beklenme-
mektedir. Pozisyon uzun vega kısa gama olarak da açılabilirdi: Bu durumda uzun
5Vega, opsiyon fiyatının volatilite değişimine olan hassaslığıdır. Gama ise dayanak varlık fiyat-ındaki değişimlerin opsiyon Delta’sına etkisini ölçer.
6Opsiyon riskleri ile ilgili olarak bkz. Sebastien BOSSU and Philippe HENROT. Finance andDerivaties Theory and Practice. John Wiley and Sons Ltd., West Sussex, England, 2006 s.125-136
7Strangle, eşit büyüklükte ve farklı kullanım fiyatlı alım ve satım opsiyonlarının aynı anda biraraya getirilmesi ile oluşturulur.
8Straddle, eşit büyüklükte ve aynı kullanım fiyatlı alım ve satım opsiyonlarının aynı anda biraraya getirilmesi ile oluşturulur.
1.2 Volatilite Tahmini 11
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
10.10.2006
18.01.2007
28.04.2007
06.08.2007
14.11.2007
22.02.2008
01.06.2008
09.09.2008
18.12.2008
Öngörülen Volatilite Tarihsel Volatilite
Vade
Uzun Dönem Volatilite Ortalaması
Şekil 10: USDTL 1 Ay Volatilite 23.11.06 - 25.08.08Kaynak: Bloomberg
vadeli opsiyon alıp kısa vadeli opsiyon satılması gerekecekti. Uzun zaman yayılma
stratejisi, volatilite artışından olumlu etkilenir9.
Ağustos 2007’de tarihsel volatilite ve öngörülen volatilite arasındaki fark iyice
açılmış ve tarihsel volatilite oldukça yüksek seyretmiştir. Bu durumda volatilite sat-
mak uygun bir taktik olarak değerlendirilebilirdi. Kullanılabilecek stratejilerden bir
tanesi kısa zaman yayılma olabilirdi. USDTL volatilite ilişkisi daha önce tartışılm-
ıştı: Volatilite düştükçe TL değer kazanıyor, aksi halde değer yitiriyor. TL-Volatilite
ilişkisi bu şekilde tespit edildikten sonra volatilite düşüşü bekleniyorsa 1x2 satım
geri yayılma10 pozisyonu açılabilir, volatilite yükselişi beklentisinde ise 1X2 alım
geri yayılma stratejisi uygulanabilir.
9Opsiyon stratejileri için www.optiontradingtips.com sitesi incelenebilir.101X2 geri yayılma stratejileri satılan opsiyonlardan fazla opsiyon alınması ile oluşturulur
2 Volatilite Hesaplama Yöntemleri 12
2 Volatilite Hesaplama Yontemleri
2.1 Tarihsel Volatilite
Önceki kısımlarda tarihsel volatilite, pratik tahmin yöntemleri, volatilite konisi, ön-
görülen volatilite konuları ele alınmıştı. Bu kısımda, tarihsel volatilite tahmini için
matematiksel altyapıyı açıklamaya çalışacağız. Tarihsel volatiliteyi tahmin etmek
için kullanılacak varsayımlar:
1. Objektif P ölçütünde (objective P measure) Standart Black Scholes geometrik
brown hareketi varsayımı11:
dS(t) = S(t)µdt + σS(t)dW
2. Hisse fiyatı S, n+1 sayıda birbirine eşit uzaklıkta gözlemden oluşur. ∆t gözlem
aralığının uzunluğudur ve ti − ti−1 ifadesine eşittir.
3. S lognormal dağılım kurallarına uygun hareket eder.
ξ1, . . . , ξn getiri serisi tanımlansın:
ξi = ln
(
S(ti)
S(ti−1)
)
ξ1, . . . , ξn, bağımsız normal olarak dağılan rassal değişkenlerdir 1. ve 2. momentleri:
E[ξi] = (µ − 1
2σ2)∆t
V ar[ξi] = σ2∆t
İstatistik teorisine göre volatilite (σ) tahmini gözlem volatilitesi (Sξ) kullanılarak
yapılabilir:12
σ∗ =Sξ
∆t
11Salih N. NEFTÇİ. An Introduction to the Mathematics of Financial Derivatives. AcademicPress, California, USA, second edition, 2000 s.272
12Thomas BJÖRK. Arbitrage Theory in Continuous Time. Oxford University Press, Oxford,Newyork, second edition, 2004 s.105
2.2 Üstel Ağırlıklı Volatilite 13
Gözlem varyansı:
S2
ξ =1
n − 1
n∑
i=1
(
ξi − ξ)2
, (1)
ξ =1
n
n∑
i=1
ξi
Volatilite tahmini standart sapmasının (D) yaklaşık ifadesi:
D(σ∗) ≈ σ∗
√2n
Gözlem sayısı arttıkça gözlem varyansı asıl varyansa; volatilite tahmini standart
sapması ise sıfıra yaklaşmaktadır. Denklem 1 genelde basitleştirmeye tabi tutularak
değiştirilir:
1. ξ sıfır kabul edilir.
2. n−1 n ile değiştirilir. Bu bizi tarafsız varyans tahmini konumundan en yüksek
logaritmik olasılık varyans tahminine konumuna taşır.
Basitleştirmelerden sonra varyans:
S2
ξ =1
n
n∑
i=1
ξ2
i (2)
2.2 Ustel Agırlıklı Volatilite
Tarihsel volatiliteyi tahmin etmeye çalışırken denklem 1 ve denklem 2’de geçmiş ve-
riler eşit ağırlıklı olarak kullanılmıştır. Geçmiş tarihli verilere üstel olarak daha az
ağırlık verip, volatilite tahminimizin yakın verileri ağırlıklı olarak kullanması sağla-
nabilir. Bu yönteme ‘Üstel Ağırlıklı Hareketli Ortalama’ ismi verilir13. λ üstel ağır-
lıklandırma katsayısı olmak üzere volatilite tahmini için oldukça basit olan ÜAHO
formülü:
σ2
n = λσ2
n−1 + (1 − λ)ξ2
n−1 (3)
13Philippe JORION. Value At Risk. McGraw-Hill, New York, third edition, 2007 s. 230
2.2 Üstel Ağırlıklı Volatilite 14
Bugünkü volatilite bir gün önceki volatilite ve bir gün önceki fiyat değişiminin karesi
kullanılarak tahmin edilmiştir. Fonksiyonun üstel olarak nasıl değiştiğini anlamak
için 3 numaralı denkleme σ2n−1 formülasyonunu eklensin:
σ2
n = λ[λσ2
n−2 + (−λ)ξ2
n−2] + (1 − λ)ξ2
n−1
σ2
n = (1 − λ)(ξ2
n−1 + ξ2
n−2) + λ2σ2
n−2
Üçüncü, dördüncü . . . varyansları denkleme ekledikçe denklem aşağıdaki genel hale
ulaşır:
σ2
n = (1 − λ)m
∑
i=1
λi−1ξ2
n−i + λmσ2
n−m (4)
m büyüdükçe λmσ2n−m terimi gözardı edilebilecek kadar küçülür ve ξi, günlük
getirilere verilen ağırlıklar zamanda geriye gittikçe üstel olarak λ nisbetinde azalır.
λ küçüldükçe ,ξi, getirilere verilen ağırlık artar, büyüdükçe azalır. λ düşük ve göz-
lemlenen volatilite yüksek ise, tahmin edilen volatilite de yüksek olacaktır. Yüksek
λ değerleri ise volatilite tahminlerinin yeni bilgiye daha yavaş adapte olmasına yol
açar14.
JP Morgan bankası tarafından geliştirilen RiskMetrics veritabanında λ 0,94 ola-
rak kullanılmaktadır. JP Morgan bankasına göre bu değer gerçekleşen volatiliteye
en yakın tahminlerin hesaplanmasını sağlamaktadır. Excel VBA kullanarak lambda
değerini kullanıcının girdiği ve logaritmik getiri serisini kullanarak üstel ağırlıklı
hareketli ortalama volatilite hesaplayan kod:
Function UAHOvol( g e t i r i , lambda As Double , Islemgunu ) As Double
Dim n As Integer , i As In t eg e r
Dim sum As Double
sum = 0
n = Appl i ca t ion . Count ( g e t i r i )
For i = 1 To n
sum = sum + (1 − lambda ) ∗ ( lambda ^ ( i − 1) ) ∗ (
g e t i r i (n − i + 1) ^ 2)
14John C. HULL. Options, Futures and Other Derivatives. Prentice Hall, Saddle River, NewJersey, USA, fifth edition, 2003 s. 375
2.2 Üstel Ağırlıklı Volatilite 15
Next i
UAHOvol = sum ^ 0 .5 ∗ Islemgunu ^ 0 .5
I f lambda >= 1 Then UAHOvol = −1
End Function
Fonksiyon, hesaplanan volatiliteyi bir yıldaki işlem günü sayısını kullanarak yıllığa
çevirir. İMKB 30 endeksi ÜAHO volatilitesi şekil 11’de gösterilmiştir.
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
140,00%
24.07.98
06.12.99
19.04.01
01.09.02
14.01.04
28.05.05
10.10.06
22.02.08
06.07.09
18.11.10
Şekil 11: İMKB 30 ÜAHO Volatilite λ = 0, 94 25.01.99 - 6.02.09Kaynak: Yazarın Hesaplamaları
Şekil 12’de İMKB 30 endeksi fiyatları ve volatiliteyi aynı grafikte farklı eksen-
lerde gösterilmiştir. İMKB 30 endeksi için uzun dönemli ÜAHO volatilite %42 olarak
hesaplanmış (tüm volatilitelerin ortalaması) ve grafikte yatay düz çizgi ile gösterilm-
iştir. Volatilite ve fiyatlar arasındaki ters yönlü ilişki grafikte açıkça görülmektedir:
Fiyatlar düştükçe volatilite yükselmiş, fiyatlar yükseliş trendine girdiğinde ise vola-
tilite düşmüş ve uzun süre stabil olarak kalmıştır.
2.3 Garch (1,1) 16
0,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
140,00%
24.07.98
06.12.99
19.04.01
01.09.02
14.01.04
28.05.05
10.10.06
22.02.08
06.07.09
18.11.10
Vo
lati
lite
0,00
10.000,00
20.000,00
30.000,00
40.000,00
50.000,00
60.000,00
70.000,00
80.000,00
U03
0
UZUN DÖNEMLİ ORTALAMA
Şekil 12: İMKB 30 / ÜAHO Volatilite λ = 0, 94: 25.01.99 - 6.02.09Kaynak: Bloomberg, Yazarın Hesaplamaları
2.3 Garch (1,1)
Önceki kısımlarda volatilitenin uzun dönemli ortalamasından ve volatilitenin orta-
lama değere doğru yönelmesinden bahsedilmişti. 2 numaralı denklemde volatilite eşit
ağırlıklı olarak hesaplanmıştı. Tüm veri ağırlıklı olarak hesaplamalara dahil edilmek
istenmeyebilir. Hesaplama yapılacak tarihten 1, 2,3. . . yıl önceki verilerin bugüne
olan etkisinin az olması çoğu zaman daha mantıklı olabilir. Geçmiş veri setine daha
az önem verip yakın veri setini hesaplamalara daha etkin olarak dahil edebilmek için
ağırlıklandırma yapılması gerekir. Bunu yapabilecek bir model:
σ2
n =m
∑
i=1
αiξ2
n−1 (5)
2.3 Garch (1,1) 17
Ağırlık katsayısı α, pozitiftir. Katsayıyı i > j iken αi < αj olarak seçilirse, geçmiş
veriye daha az önem verilmiş olur. Ağırlıklar toplamı 1 olmalıdır:
m∑
i=1
αi = 1
Volatilite ile ilgili olarak sürekli uzun dönemli ortalamasından ve volatilitenin uzun
dönemli ortalamaya doğru hareket etmesinden bahsedildi. Denklem 5 uzun dönemli
ortalamayı içerecek şekilde genişletilebilir:
σ2
n = γVL +m
∑
i=1
αiξ2
n−1 (6)
VL, uzun dönemli varyans ve γ uzun dönemli varyansa atanan ağırlık olarak kullan-
ılmıştır. Ağırlıklar toplamı 1’e eşit olmalıdır:
γ +m
∑
i=1
αi = 1 (7)
Bahsedilen model ARCH(m) modeli olarak bilinir ve Engle tarafından finans dünyas-
ına tanıtılmıştır15. Varyans tahmini, uzun dönemli ortalama ve m sayıda gözleme da-
yanarak hesaplanır. Geçmişteki verilere daha az önem verilir. Denklem 6 γVL = ω
olarak tanımlanıp yeniden düzenlenebilir:
σ2
n = ω +m
∑
i=1
αiξ2
n−1 (8)
ARCH(m) modelinin finans dünyasında önemli ölçüde kabul görmesinden sonra daha
genel bir model oluşturulabilmesi için çalışmalar yapılmaya başlanmıştır. GARCH(1,1)
modeli Bollerslev tarafından 1986 yılında finans dünyasına tanıtılmıştır16. Modelde
varyans, uzun dönemli varyans, önceki dönem varyans tahminleri ve önceki dönem
15Model hakkında detaylı bilgi için bkz. R. ENGLE. Autoregressive Conditional Heteroscedasti-city with Estimates of the Variance of UK Inflation. Econometrica, 50:987-1008, 1982
16Model hakkında detaylı bilgi için bkz. T. BOLLERSLEV Generalized Autoregressive Conditi-onal Heteroscedasticity. Journal Of Econometrics, 31:307-327, 1986
2.3 Garch (1,1) 18
getirilerinin kareleri kullanılarak hesaplanmaktadır. GARCH(1,1) denklemi:
σ2
n = γVL + αξ2
n−1 + βσ2
n−1
Ağırlıklar toplamı 1 olmalı:
γ + α + β = 1
Daha önce yapıldığı gibi γVL = ω olarak tanımlanıp denklem yeniden yazılırsa:
σ2
n = ω + αξ2
n−1 + βσ2
n−1 (9)
Modeldeki (1,1) ifadesi en yakın varyans ve getiri karesinin kullanıldığını anlatır.
Daha genel GARCH(p,q) modeli, p dönemi getiri karelerini ve q dönemi varyansını
kullanarak hesap yapar. ÜAHO volatilite, GARCH(1,1) modelinin özel bir halidir:
γ = 0, α = 1 − λ, β = λ
Modelde β azalma oranı olarak adlandırılır: β = 0, 8 ise, bir önceki dönemin önemi
%80,iki önceki dönemin önemi %64 . . . GARCH modelinin stabil olması için α+β < 1
olmalıdır, aksi takdirde uzun dönemli ortalamaya negatif ağırlık verilir ve model
ortalamaya yöneleceği yerde ortalamadan uzaklaşır17.
2.3.1 Garch(1,1) Degiskenlerin Tahmini
Ortalaması sıfır, normal dağılıma tabi bir veri setinde, m sayıda gözlem kullanarak X
değişkeninin varyansı nasıl tahmin edilebilir? Gözlemler ξ1, ξ2, ξ3 . . . ξm iken varyans
ise v olarak tanımlansın. ξi gerçekleşme olasılığı, X = ξi olduğunda X değişkeninin
olasılık yoğunluk fonksiyonudur:
1√2πv
exp
(
−ξ2i
2v
)
17HULL (2003) s. 380
2.3 Garch (1,1) 19
m gözlemin gözlemlendiği sırada gerçekleşme olasılığı:
m∏
i=1
[
1√2πv
exp
(
−ξ2i
2v
)]
(10)
En yüksek gerçekleşebilir olasılık (maximum likelihood estimation) yönteminde en
iyi v tahmini 10 numaralı denklemi en yüksek değere ulaştıracak sayıdır18. Bir ifade-
nin en yüksek değerini bulmak ile ifadenin logaritmasının en yüksek değerini bulmak
aynı şeydir. 10 numaralı denklemin logaritması alınsın:
m∑
i=1
(
−1
2ln(2πv) − ξ2
i
2v
)
Denklemdeki sabitlerin maksimizasyon ile ilgisi yok, sabitlerden arındırılırsa:
m∑
i=1
(
−ln(v) − ξ2i
v
)
(11)
Garch(1,1) değişkenlerini bulmak için en yüksek gerçekleşebilir olasılık yöntemi kul-
lanılacaktır. vi, i gününde gözlemlenen varyans değeridir. Ayrıca, ξi değişkeninin
varyansa bağlı olarak normal dağılıma uygun olduğunu varsayılacaktır. Değişken
tahmini fonksiyonu 10 numaralı denklem ile hemen hemen aynı, sadece v vi ile de-
ğiştirilmiştir:
m∏
i=1
[
1√2πvi
exp
(
−ξ2i
2vi
)]
Logaritma aldığımızda
m∑
i=1
(
−ln(vi) −ξ2i
vi
)
(12)
12 numaralı denklem, iteratif yöntemler kullanarak çözülebilir. Tablo 4’de İMKB 30
endeksi 25 Ocak 1999 -6 Şubat 2009 tarihleri arasındaki kapanış fiyatlarını kullana-
18HULL (2003) s. 378-379
2.3 Garch (1,1) 20
Tablo 4: GARCH(1,1) Değişken Tahmini
Tarih XU030 ξi ξ2i vi = σ2 −ln(vi) − ξ2
i /vi
25.01.99 2903,5226.01.99 2941,54 0,01301 0,00017 0,00081 6,9072727.01.99 3091,55 0,04974 0,00247 0,00075 3,9107728.01.99 3044,62 -0,0153 0,00023 0,00092 6,737829.01.99 3109,17 0,02098 0,00044 0,00086 6,54901.02.99 3237,69 0,0405 0,00164 0,00082 5,1045202.02.99 3196,23 -0,01289 0,00017 0,0009 6,829803.02.99 3256,2 0,01859 0,00035 0,00083 6,67659
......
......
......
27.01.09 33186,78 -0,01009 0,0001 0,00077 7,0368628.01.09 34518,77 0,03935 0,00155 0,00071 5,0697429.01.09 33777,56 -0,02171 0,00047 0,00079 6,5458330.01.09 33503,02 -0,00816 0,00007 0,00077 7,0885302.02.09 32607,74 -0,02709 0,00073 0,0007 6,2165403.02.09 33189,63 0,01769 0,00031 0,00071 6,8102804.02.09 33867,34 0,02021 0,00041 0,00068 6,6951405.02.09 33344,3 -0,01556 0,00024 0,00065 6,9615506.02.09 34559,52 0,0358 0,00128 0,00062 5,31898
*En Yüksek Olasılık Tahmini 15854,902
rak GARCH(1,1) değişkenlerini modellenmiştir. Modelde, EYOT en yüksek değerin
bulunmasını sağlayacak vi değeri Excel çözücü (solver) eklentisi kullanılarak hesap-
lanmıştır19. Hesaplanan diğer değişkenler ω = 0, 00001065, α = 0, 0937, β = 0, 8963
Uzun dönemli varyans:
VL =ω
1 − α − β=
0, 00001065
1 − 0, 0937 − 0, 8963= 0, 0326388
Uzun dönemli varyans için bulunan değerin karekökü√
252 ile çarpılarak yıllık vo-
latilite ifade edilebilir. Piyasada volatilite genellikle yıllık ve yüzde cinsinden ifade
edilir. Örnekte yıllık uzun dönemli volatilite %51,81 olarak hesaplanmıştır. ÜAHO
19Excel, çözücü eklentisi en yüksek olasılık tahmin yönteminde global en yüksek olasılıktan ziyadelokal en yüksek olasılık hesaplar.
2.3 Garch (1,1) 21
volatilitenin GARCH(1,1) modelinin özel bir hali olduğu daha önce söylenmişti:
ω = 0, α = 1 − λ, β = λ
En yüksek gerçekleşebilir olasılık yöntemlerini kullanarak λ katsayını hesaplanabi-
lir. Örnekte λ katsayını 0,9367 olarak hesaplanmıştır. RiskMetrics ölçütüne oldukça
yakın. Şekil 13’de İMKB 30 endeksi ve GARCH(1,1) volatilite yıllığa çevrilmiş ola-
rak ve ayrı eksenlerde gösterilmiştir. Volatilite ve fiyatlar arasındaki ters yönlü ilişki
açıkça görülmektedir: Özellikle endeksin 2003 yılından itibaren yukarı yönlü trend-
ine başlaması ile birlikte, volatilite uzun dönemli ortalamasının çoğu zaman altında
ve oldukça stabil olarak gerçekleşmiştir.
0%
25%
50%
75%
100%
125%
150%
24.07.1998
06.12.1999
19.04.2001
01.09.2002
14.01.2004
28.05.2005
10.10.2006
22.02.2008
06.07.2009
Vo
lati
lite
0
15.000
30.000
45.000
60.000
75.000
90.000
İMK
B 3
0
GARCH_V XU030
Şekil 13: İMKB 30 / GARCH(1,1) Volatilite: 25.01.99 - 6.02.09Kaynak: Bloomberg, Yazarın Hesaplamaları
GARCH(p,q) modelleri, kullanılan veri setine göre oldukça değişik sonuçlar ürete-
bilir. 1 Ocak 2003 - 6 Şubat 2009 kapanışlarını kullanarak gerçekleştirilen hesaplama-
lar ve 1999-2009 yılları verileri kullanılarak oluşturulan model değişkenleri farkları
tablo 5’de verilmiştir. 2003 Ocak ayından itibaren hesaplanan değişkenlerle oluştu-
rulan grafik ise şekil 14’de gösterilmiştir. 1999 başlangıç ve 2003 başlangıç tarihli
veri ile yapılan modelleme sonuçlarının oldukça farklı olduğu söylenebilir. Hesapla-
2.3 Garch (1,1) 22
malarda kullanılacak veri setini ne kadar geriye götürmek gerektiği konusunda her-
hangi bir kural bulunmamaktadır. Piyasada genel olarak volatilite trendlerine göre
karar verilmesi eğilimi vardır. Örneğe geri dönecek olursak, İMKB 30 için trend 2003
öncesi ve sonrasında değişiktir. Bazı profesyoneller tüm veri setini hesaba katarken
bazı profesyoneller trendlere dikkat ederler. Hangi yöntemin doğru olduğu ise piyasa
koşullarında ortaya çıkar. Genel olarak konulmuş bir kural olmasa da GARCH(1,1)
modellemesinde en azından dört yıllık veri kullanılması daha sağlıklı sonuçların elde
edilmesine yardımcı olur. Modeli kullanırken buna özellikle dikkat etmek gerekir.
Tablo 5: GARCH(1,1) 1999-2009 ve 2003-2009: Değişkenlerin Karşılaştırılması
1999-09 2003-09
Uzun DönemVaryans 0,001065288 0,000532640
Volatilite 0,5181 0,3663
GARCH Değişkenleri
ω 0,00001065 0,00001350α 0,09368 0,0863981β 0,89632 0,88826
α + β 0,990006 0,97465872925EYOT 15854,90 10298,56
2.3.2 Modelin Gecerliligi
GARCH modelinin temelinde, volatilitenin zamanla değişeceği varsayımı bulunur.
Grafiklerde de gösterildiği gibi, volatilite bazı dönemlerde yüksek, bazı dönemlerde
düşük olarak gerçekleşmiştir. Volatilitenin yukarı ya da aşağı trend yaptığı dönem-
ler mevcuttur. ξ2i değerleri, kendinden önce gelen değerlerden etkilenir ve kendinden
sonra oluşan değerleri de etkiler. Bu olguyu incelemek için ξ2i otokorelasyon değer-
lerinin gözönüne alınması gerekir. Otokorelasyon herhangi bir seri ,xi, için k gün
olarak kabul edilirse xi ve xi+k arasındaki korelasyondur20. Tablo 6 ikinci sütunda
20Thomas MIKOSCH. Elementary Stochastic Calculus with Finance in View. World ScientificPublishing Co. Pte. Ltd., Singapore, seventh edition, 2008 s. 22
2.3 Garch (1,1) 23
0%
25%
50%
75%
100%
01.09.2002
14.01.2004
28.05.2005
10.10.2006
22.02.2008
06.07.2009
Vo
lati
lite
0
15.000
30.000
45.000
60.000
75.000
90.000
İMK
B 3
0
GARCH_V XU030
i
Şekil 14: İMKB 30 / GARCH(1,1) Volatilite: 1.01.03 - 6.02.09Kaynak: Bloomberg, Yazarın Hesaplamaları
ξ2i otokorelasyon değerleri hesaplanmıştır. Üçüncü sütunda Ljung-Box istatistiği he-
saplanmıştır. Ljung-Box istatistiği21:
m
K∑
k=1
wkη2
η, k gün için otokorelasyon değeridir ve
wk =m − 2
m − k
Ljung-Box istatistiği, otokorelasyonu tespit etmek amacı ile istenen anlam seviyesi
ile hesaplanan ve k serbestlik derecesindeki ki-kare kritik P değeri ile karşılaştırılır22.
Tablo 6 beşinci sütunda kritik P değeri hesaplanmıştır. ‘H0 :Otokorelasyon yok-
tur’ hipotezini kabul etmek için Ljung-Box istatistiğinin kritik P değerinden küçük
21Ljung Box istatistiği, bir grup zaman serisi otokorelasyonlarının sıfırdan farklılığını test eder.Ljung-Box herbir gecikme aralığı (lag) için rassallığı araştırmak yerine verilen gecikme aralığı içingenel rassallığı ölçer ve bu yüzden portmanto testi olarak da sınıflandırılır.
22İstatistiksel sınama testleri için bkz. John E. FREUND. Matematiksel İstatistik. 6. BaskıLiteratür Yayıncılık, İstanbul, 2001 s. 421-453
2.3 Garch (1,1) 24
olması gerekir. Tablonun birinci bölümünde ξ2i değerleri için, %1 anlam seviyesinde
otokorelasyon olduğu tespit edilmiştir. GARCH modelinin otokorelasyonu giderip
gidermediğinin anlaşılması için tablonun ikinci bölümünde aynı analizler ξ2i /vi serisi
kullanılarak gerçekleştirilmiştir. GARCH(1,1), örnek veri setini açıklamakta başarı-
lıdır: Otokorelasyon yoktur hipotezi %1 anlam seviyesinde red edilmiştir.
Tablo 6: GARCH(1,1) Otokorelasyon Testi
H0:Otokorelasyon yok, anlam seviyesi:%1
Gün Otokorelasyon LjungBox Ki-Kare P Kritik P H0
ξ2
1 0,2725 185,772 0,00% 6,635 Red2 0,2646 360,920 0,00% 9,210 Red3 0,1498 417,076 0,00% 11,345 Red
5 0,1173 475,537 0,00% 15,086 Red10 0,1175 576,497 0,00% 23,209 Red15 0,0655 652,923 0,00% 30,578 Red30 0,0408 788,057 0,00% 50,892 Red
ξ2/v1 0,0190 0,899 34,30% 6,635 Kabul2 0,0314 3,370 18,55% 9,210 Kabul3 0,0053 3,440 32,87% 11,345 Kabul
5 0,0155 4,209 51,97% 15,086 Kabul10 0,0262 9,968 44,33% 23,209 Kabul15 -0,0288 12,574 63,52% 30,578 Kabul30 -0,0269 22,609 83,10% 50,892 Kabul
2.3.3 GARCH(1,1) Gelecekteki Volatilitenin Tahmini
n − 1 gününde n günü varyansını tahmin etmek için 9 numaralı denklemden yarar-
lanılmıştı. Denklem γ = 1 − α − β eşitliği kullanılarak yeniden yazılabilir:
σ2
n = (1 − α − β)VL + αξ2
n−1 + βσ2
n−1
σ2
n − VL = α(ξ2
n−1 − VL) + β(σ2
n−1 − VL)
2.3 Garch (1,1) 25
Beklenen değer operatörü ile yeniden ifade edilsin:
E(σ2
n − VL) = E(α(ξ2
n−1 − VL)) + E(β(σ2
n−1 − VL))
Uzun dönemde (n+k) E(ξ2n+k) = σ2
n ve E(σ2n+k−1
) = σ2n olacağı bilinmektedir. Denk-
36,00%
38,00%
40,00%
42,00%
44,00%
46,00%
48,00%
50,00%
52,00%
54,00%
0 50 100
150
200
250
300
350
Takvim Günü
Volat
ilite
Tahm
ini
Garch(1,1) UzunDönem Volatilite
Şekil 15: GARCH(1,1) Volatilite Tahmini 25.01.99 - 6.02.09:σ2 = 0, 00062529, ω = 0, 00001016, α = 0, 0895, β = 0, 9008Kaynak: Yazarın Hesaplamaları
lemin sağ tarafı beklenti operatöründen arındırılıp n + k için yeniden yazılsın:
E(σ2
n+k − VL) = (α + β)(σ2
n − VL)
E(σ2
n+k) = VL + (α + β)(σ2
n − VL)
n günü varyansı tahmin edildikten sonra gelecek günler varyansları tahmin edilsin:
n + 1,
E(σ2
n+1) = VL + (α + β)(σ2
n − VL)
n + 2,
E(σ2
n+2) = VL + (α + β)(σ2
n+1 − VL)
n + 3,
E(σ2
n+3) = VL + (α + β)(σ2
n+2 − VL)
2.3 Garch (1,1) 26
n+1 için bulunan ifade n+2 tahminine, n+2 tahmini n+3 tahminine . . . yerleştirilip
k kadar tekrar edilirse genel bir formüle ulaşılabilir:
E(σ2
n+k) = VL + (α + β)k(σ2
n − VL) (13)
GARCH modelinin stabil olabilmesi için α + β < 1 olması gerekir. Tahmin
yaparken kullanılan (α + β)k ifadesi, model stabil olduğunda yapılan tahminleri
uzun dönemli ortalamaya yaklaştırır. 13 numaralı denklemde üstel ifade 1’den küçük
olduğu için, ikinci parçanın değeri, zaman ilerledikçe (k arttıkça) azalır. Model stabil
değilse tahminler uzun dönemli ortalama varyanstan uzaklaşır23.
36,00%
41,00%
46,00%
51,00%
56,00%
61,00%
66,00%
71,00%
76,00%
0 50 100
150
200
250
300
350
Takvim Günü
Volat
ilite
Tahm
ini
Garch(1,1) UzunDönem Volatilite
Şekil 16: GARCH(1,1) Volatilite Tahmini 1.01.03 - 25.11.08:σ2 = 0, 00219111, ω = 0, 00001343, α = 0, 08640, β = 0, 8883Kaynak: Yazarın Hesaplamaları
Şekil 15’de, 25.01.99 - 6.02.09 İMKB 30 Endeks kapanışları ile elde edilen de-
ğişkenleri kullanarak gerçekleştirilen tahminler gösterilmiştir. Model, önümüzdeki
günlerde (6 Şubat 2009 sonrası) volatilitenin artacağını tahmin etmiştir. Şekil 17’de
tahminde kullanılan veri seti 2003 yılından başlamaktadır. 25 Kasım 2008 tarihinde
2003 yılını başlangıç alarak yapılan tahminin sonuçları şekil 16’da gösterilmiştir: Mo-
del volatilitenin düşeceğini tahmin etmiştir. 6 Şubat 2009 tarihinde 2003 başlangıç
tarihli veride GARCH volatilite %37,3 seviyesine gerilemiştir.
23HULL (2003) s. 383
2.3 Garch (1,1) 27
36,00%
36,20%
36,40%
36,60%
36,80%
37,00%
37,20%
37,40%
37,60%
0 50 100
150
200
250
300
350
Takvim Günü
Volat
ilite
Tahm
ini
Garch(1,1) UzunDönem Volatilite
Şekil 17: GARCH(1,1) Volatilite Tahmini 1.01.03 - 6.02.09:σ2 = 0, 00055453, ω = 0, 00001343, α = 0, 08640, β = 0, 8883Kaynak: Yazarın Hesaplamaları
1999 ve 2003 yılını başlangıç alan ve Şubat 2009 son tarihli verilerin kullanıldığı
tahminlerin sonuçları bir hayli farklı: 1999 başlangıçlı veri volatilite artışı tahmin
etmiş, 2003 yılını baz alan veri ile volatilitenin düşeceği tahmin edilmiştir.
3 Volatilite ve Opsiyonlar 28
3 Volatilite ve Opsiyonlar
3.1 Opsiyon Volatilite Vade Yapısı
n dönemindeki volatilite, ω, α, β değişkenlerinin kullanıldığı 13 numaralı denklemde
k dönem için genel volatilite tahmin fonksiyonu tartışılmıştı. Volatilite, zaman içinde
değişir, herhangi bir vadedeki opsiyonu fiyatlarken kullanılabiliecek volatilite GARCH(1,1)
modelinden faydalanarak hesaplanabilir. Bunun için vadeye kadar tüm günlerin vo-
latilitesinin tahmin edilip ortalamasını alınması yeterli olacaktır. N gün için opsiyon
volatilitesi formüle edilebilir:
1
N
N−1∑
k=0
E(σ2
n+k) (14)
Tablo 7: 2 Ocak 2003-25 Kasım 2008, İMKB30 Endeks Volatilite Vade Yapısı
ω 0,00001343α 0,08640113β 0,88834474
σ2n 0,002191
VL 0,000532
Gün 14 30 60 90 120 180 240 300VolatiliteOrtalama 69,35% 64,98% 58,74% 54,35% 51,21% 47,20% 44,84% 43,33%
Tahmin 65,29% 57,28% 47,34% 41,93% 39,17% 37,17% 36,73% 36,63%
Tablo 7’de 14-300 gün vadeli opsiyonlar için volatilite tahminleri gerçekleştiril-
miştir. VBA kodu kullanarak hesaplanan ortalama opsiyon volatilitesi ile 13 numa-
ralı denklemi kullanarak yapılan tahminler arasında önemli farklar ortaya çıkmıştır.
Opsiyon fiyatlarken, ortalama volatilitenin kullanılması kesinlikle daha doğrudur.
Opsiyonun vadesi uzadıkça, tahmin edilen oran uzun dönem ortalama varyansa VL
yaklaşır. Ortalama opsiyon volatilitesini hesaplamak için Excel VBA kodu:
Function OpsVol (OpsGun , VL, Alpha , Beta , Vol_n , IslemGunu ,
Optional VolArt i s As Variant )
Dim i As Integer , sum As Double , YeniVol As Double
sum = 0
3.1 Opsiyon Volatilite Vade Yapısı 29
I f I sMi s s ing ( VolArt i s ) Then
For i = 0 To OpsGun − 1
sum = sum + VL + (Alpha + Beta )^ i ∗ (Vol_n − VL)
Next i
OpsVol = ( ( sum / OpsGun) ∗ IslemGunu ) ^ 0 .5
Else
YeniVol = ( (Vol_n ∗ IslemGunu )^ 0 .5 + VolArt i s ) ^ 2 /
IslemGunu
For i = 1 To OpsGun
sum = sum + VL + (Alpha + Beta )^ i ∗ ( YeniVol − VL)
Next i
OpsVol = ( ( sum / OpsGun) ∗ IslemGunu ) ^ 0 .5
End I f
End Function
GARCH(1,1) kullanarak yapılan tahminlerin mutlaka piyasa fiyatında olacağı ga-
ranti edilemez. Piyasada, arz talep veya diğer oluşabilecek koşullara bağlı olarak
volatilite kotasyonları modelin tahmin ettiğinden farklı olarak gerçekleşebilir. Mo-
del genel olarak yönü gösterir.
Tablo 7’de ele alınan örnek için piyasada olabilecek volatilite artışlarının opsiyon
volatilitesine olan etkisi hesaplanabilir. Tablo 8’de %1 volatilite değişiminin opsi-
yon volatilitesine olan etkisi gösterilmiştir. Vade uzadıkça volatilite şoklarının etkisi
azalmıştır.
Tablo 8: 2 Ocak 2003-25 Kasım 2008, İMKB30 Endeks Volatilite Vade Yapısı %1Volatilite Değişimi Etkisi
Volatilite Yükselişi 1%
Gün 14 30 60 90 120 180 240 300Volatilite
Opsiyon Volatilitesi 69,35% 64,98% 58,74% 54,35% 51,21% 47,20% 44,84% 43,33%Artış Sonrası
Opsiyon Volatilitesi 69,61% 65,20% 58,92% 54,50% 51,34% 47,29% 44,92% 43,39%Artış Etkisi 0,25% 0,23% 0,18% 0,15% 0,13% 0,10% 0,08% 0,06%
3.2 Öngörülen Volatilite 30
3.2 Ongorulen Volatilite
Öngörülen volatilite piyasada işlem yapanların gelecekte oluşabilecek volatiliteye
dair uzlaşması olarak nitelenebilir. Öngörülen volatilite, tarihsel volatilite ile zaman
zaman farklılıklar gösterebilir. Şekil 18’de USDTL bir ay vadeli başabaş (atm)24 öng-
0
10
20
30
40
50
60
01.09.2002 14.01.2004 28.05.2005 10.10.2006 22.02.2008 06.07.2009
1 Aylık Tarihsel 1 Aylık Öngörülen
Şekil 18: USDTL 1 Ay ÖV-TV 12.12.03 - 19.12.08Kaynak: Bloomberg
örülen opsiyon volatilitesi ve tarihsel volatilite gösterilmiştir. Öngörülen volatiliteye
dair gözlemler:
1. Öngörülen Volatilite, tarihsel volatiliteye göre daha sakin hareket ediyor.
2. Öngörülen Volatilite ile tarihsel volatilite ayrı yönlerde hareket edebilir.
3. Volatilite, yükselişini tamamladığı anda düşüş trendine başlıyor, yükselişlerde
yassı hareket çok fazla yok.
4. Volatilite düşüş trendleri, yükseliş trendlerine göre daha uzun sürüyor.
24ATM = At the money, başabaş
3.2 Öngörülen Volatilite 31
5. Tarihsel volatilite yüksek iken opsiyon kotasyonu veren kurumlar, yüksek vo-
latilite ile opsiyon almak istemiyor olabilirler, bu yüzden öngörülen volatilite
kotasyonları tarihsel volatiliteye göre düşük fiyatlanabilir.
8 Ekim 2008 tarihinde USDTL atm opsiyon volatiliteleri Tablo 9’da gösterilmiştir.
Tablo 9: 8 Ekim 2008 USDTL Öngörülen Volatilite
1 Hafta 2 Hafta 1 Ay 2 Ay 3 Ay 4 Ay 6 Ay
40% 35% 28% 26% 24% 23% 22%
Opsiyon Uygulaması
Önümüzdeki günlerde volatilitenin yükseleceği ve volatilite yükselişinden opsiyon
kullanarak yararlanılabilecek bir strateji oluşturmak istendiği varsayılsın. Volatilite
artışından kâr edilebilecek opsiyon stratejilerinden biri uzun zaman yayılma 25
olabilir. Şekil 19 USDTL öngörülen volatilite konisi ve tablo 9 karşılaştırıldığında,
bir ay ve altı ay volatilitenin %90 persentil civarında olduğu görülmüştür. Tablo
10’da gösterilmiş olan pozisyonun açıldığını varsayalım. Pozisyonun başlangıç greek
Tablo 10: Uzun Zaman Yayılma Pozisyonu
Kullanım Opsiyonİşlem Tarihi A/S Tipi Vade Fiyatı Fiyatı Nominal VKG
08 Ekim 08 S C 07 Kasım 08 1,4462 0,04051 10.000 3008 Ekim 08 A C 08 Nisan 09 1,5381 0,08090 10.000 182
ölçümleri tablo 11’de gösterilmiştir. Pozisyon negatif gama, pozitif vega olarak özet-
lenebilir. Volatilite artışının pozisyonu olumlu etkilemesi beklenmektedir. Piyasada
volatilite ile USDTL kuru arasında gözlemlenmiş bir olgu var: Kur yükseliş trendine
girdiğinde genelde volatilite de yükselmektedir.
Pozisyon açıldığı andaki kâr zarar beklentisi şekil 21a’da gösterilmiştir. Bu grafiğe
bakıldığında pozisyon almak konusunda tereddüt yaşanabilir, neredeyse hiçbir spot
25Uzun vadeli opsiyon alım + Kısa vadeli opsiyon satım. Zaman yayılma stratejileri detaylı analiziçin bkz. NATENBERG (1994) s. 148-154
3.2 Öngörülen Volatilite 32
0
5
10
15
20
25
30
1 Hafta 2 Hafta 1 Ay 2 Ay 3 Ay 4 Ay 6 Ay
10,00% 25,00% 50,00% 75,00% 90,00%
Şekil 19: USDTL Öngörülen Volatilite Konisi 13.10.06 - 8.10.08Kaynak: Yazarın Hesaplamaları
Tablo 11: Uzun Zaman Yayılma Pozisyonu Greek Ölçümleri
Try Rate Fx Rate Vol Delta Gamma Vega Theta
15,00% 2,00% 26,00% 49,97% 3,7444 0,0016 - 0,000915,00% 2,00% 22,00% 49,99% 1,7816 0,0040 - 0,0005
Toplam 2 -19.628 23,50 5
seviyesinde portföyün kar etmesi olanaklı değilmiş gibi görünüyor. Şekil 21b’de ise
spot artış azalışları volatilite ile beraber modellenmiştir:
Kur düştükçe volatilite düşürülmüş, kur yükseldikçe volatilite yükseltilmiştir.
Kur 1,00 ve 2,00 aralığında, volatilite %10 ve %80 aralığında modellenmiştir. Graf-
ikte görüldüğü üzere kur ve volatilite birlikte artarsa pozisyon kara geçebilir. Pozis-
yon açıldıktan sonra piyasada kote edilen öngörülen volatilite verilerini içeren grafik
Şekil 20’de gösterilmiştir. Grafikte gri olarak işşaretlenen bölge USDTL için gele-
neksel volatilite kanalı olarak nitelenebilir. Finansal piyasalardaki bozulma Lehman
Brothers firmasının 2008 Ekim ayında batmasından hemen sonra başlamıştı. Bu
olayın sonrasında USDTL kuru ile birlikte volatilite çok sert ve çok hızlı yükselmiş-
tir. Opsiyon portföyü 403.900 TL prim ödeyerek açılmıştı. 24 Ekim 2008 tarihinde
pozisyonun kapatılmasına karar verilmiştir. 24 Ekim 2008 tarihinde spot: 1,6895,
3.2 Öngörülen Volatilite 33
4,00
9,00
14,00
19,00
24,00
29,00
34,00
39,00
44,00
49,00
54,00
59,00
64,0013
.10.
06
13.1
1.06
13.1
2.06
13.1
.07
13.2
.07
13.3
.07
13.4
.07
13.5
.07
13.6
.07
13.7
.07
13.8
.07
13.9
.07
13.1
0.07
13.1
1.07
13.1
2.07
13.1
.08
13.2
.08
13.3
.08
13.4
.08
13.5
.08
13.6
.08
13.7
.08
13.8
.08
13.9
.08
13.1
0.08
13.1
1.08
13.1
2.08
ÖV
1 Hafta 2 Hafta 1 Ay 2 Ay 3 Ay 4 Ay 6 Ay
Şekil 20: USDTL Öngörülen Volatilite Ekim 2006 - Aralık 2008Kaynak: Bloomberg
-750
-500
-250
0
1,00
1,12
1,24
1,36
1,48
1,61
1,73
1,85
1,97
Spot
(a) Spot Hareketi ve Kar Zarar
-500
-250
0
250
500
750
1000
10%
18%
27%
35%
44%
52%
61%
69%
78%
Volatilite
(b) Spot/Volatilite↓↑ ve Kar Zarar
Şekil 21: USDTL Opsiyon Fiyatları: Spot ve Volatilite Etkisi
kısa ve uzun opsiyon volatiliteleri ise %40 olarak gerçekleşmiştir. Pozisyon yaklaşık
199.000 TL kar etmiştir. 7 Kasım 2008 vadeli opsiyonu itfa tarihinde spot 1,5440,
uzun opsiyon volatilitesi ise %24 olarak gerçekleşmiştir. Pozisyon kısa opsiyonunun
3.2 Öngörülen Volatilite 34
itfa tarihinde kapatılmış olsaydı yaklaşık 30.000 TL kar oluşacaktı.
3.2 Öngörülen Volatilite 35
Sonuc
Bu projede finansal piyasalar ve volatilite konusu ele alınmıştır. Volatilite konusu,
hesaplanması, uygulamaları Türkiye finansal piyasalarında çok iyi bilinmemektedir.
Özellikle volatilite hakkındaki kaynakların dağılımının fazla ve anlatım dillerinin
karmaşık olması konunun iyi anlaşılmasını engellemektedir. Bu projede anlatım dili
sadeleştirilip, piyasa örnekleri kullanılarak volatilite anlatılmaya çalışılmıştır. Ayrıca
kullanılan Excel VBA çözümleri yeri geldikçe projenin içinde gösterilmiştir.
Volatilite hesaplaması, risk yönetimi, alım satım, opsiyonlar, gelecekte oluşabi-
lecek fiyat hareketlerinin modellenmesi, Monte Carlo simülasyonları vs. gibi pekçok
alanda kullanılmaktadır. Böylesine geniş kullanım alanı olan bir kavramın Türkiye fi-
nansal piyasalarında öneminin artmasını beklememiz hayal olmaz. Özellikle VOB’da
opsiyon kontratlarının devreye girmesi ile konuyla ilgilenecek olanların ve halihazırda
kaynaklara erişim sıkıntısı çekenlerin projemizden yararlanabileceğini düşünüyoruz.
3.2 Öngörülen Volatilite 36
BENNINGA (2008) BJÖRK (2004) BOSSU and HENROT (2006)
JACKSON and STAUNTON (2001)
JORION (2007) JORION (2003)
NATENBERG (1994) CRACK (2007) STULZ (2003) HAUG (2007)
WILMOTT (2007) MIKOSCH (2008) NEFTÇİ (2000) ROSS (1996) HULL (2003)
FREUND (2001) BOLLERSLEV (1986) ENGLE (1982)
Kaynaklar
BENNINGA, S.: 2008, Financial Modelling, third edn, MIT Press, Cambridge, Mas-
sachusetts.
BJÖRK, T.: 2004, Arbitrage Theory in Continuous Time, second edn, Oxford Uni-
versity Press, Oxford, Newyork.
BOLLERSLEV, T.: 1986, Generalized autoregressive conditional heteroscedasticity,
Journal Of Econometrics 31, 307–327.
BOSSU, S. and HENROT, P.: 2006, Finance and Derivaties Theory and Practice,
John Wiley and Sons Ltd., West Sussex, England.
CRACK, T. F.: 2007, Heard On The Street: Quantitative Questions from Wall Street
Job Interviews, tenth edn, Lightning Source UK Ltd., United Kingdom.
ENGLE, R.: 1982, Autoregressive conditional heteroscedasticity with estimates of
the variance of uk inflation, Econometrica 50, 987–1008.
FREUND, J. E.: 2001, Matematiksel İstatistik, Literatür Yayıncılık, İstanbul.
HAUG, E. G.: 2007, The Complete Guide to Option Pricing Formulas, second edn,
McGraw-Hill, New York.
HULL, J. C.: 2003, Options, Futures and Other Derivatives, fifth edn, Prentice Hall,
Saddle River, New Jersey, USA.
JACKSON, M. and STAUNTON, M.: 2001, Advance Modelling in Finance using
Excel and VBA, John Wiley and Sons Ltd., West Sussex, England.
JORION, P.: 2003, Financial Risk Manager Handbook, second edn, John Wiley and
Sons Inc., West Sussex, England.
JORION, P.: 2007, Value At Risk, third edn, McGraw-Hill, New York.
MIKOSCH, T.: 2008, Elementary Stochastic Calculus with Finance in View, seventh
edn, Worl Scientific Publishing Co. Pte. Ltd., 5 Toh Tuck Link, Singapore.
KAYNAKLAR 37
NATENBERG, S.: 1994, Option Volatility & Pricing, McGraw-Hill, New York.
NEFTÇİ, S. N.: 2000, An Introduction to the Mathematics of Financial Derivatives,
second edn, Academic Press, San Diego, California, USA.
ROSS, S. M.: 1996, Stochastic Processes, second edn, John Wiley and Sons Inc.,
West Sussex, England.
STULZ, R. M.: 2003, Risk Management & Derivatives, Thomson South-Western,
United States of America.
WILMOTT, P.: 2007, Paul Wilmott Introduces Quantitative Finance, second edn,
John Wiley and Sons Ltd., West Sussex, England.
Dizin
ARCH Modeli, 18
EWMA, 14
Excel
Solver, 21
Gama, 32
GARCH(1,1), 18, 22
GARCH(1,1) Persistency, 19
GARCH(1,1) Volatilite Tahmini, 25
GARCH(p,q), 19, 22
Geometrik Brown Hareketi, 13
Implied Volatility, 9, 11, 31
Ljung-Box, 24
Maximum Likelihood Estimation, 20
N Gün Opsiyon Volatilitesi, 29
Opsiyon Stratejileri
Straddle, 10
Strangle, 10
RiskMetrics, 15
Tarihsel Volatilite, 13
Uzun Dönemli Varyans, 18
Vega, 32
Volatilite Konisi, 3, 6