Özet:
2008 yılında yaşanan global ekonomik kriz, dünya genelinde yeni bir finansal ürün
arayışını ortaya çıkarmış, bunun sonucunda Bitcoin olarak adlandırılan, herhangi
bir merkeze bağlı olmayan ilk dijital para birimi geliştirilmiştir. Bu yeni para
birimine olan ilgi zamanla artmış ve bu durum farklı algoritmalarla geliştirilebilen
3000’den fazla kripto paranın ortaya çıkmasına neden olmuştur. Bitcoin ve diğer
kripto para birimlerinden oluşturulmuş olan portföylerin riske maruz değerlerini
hesaplamak için literatürdeki standart modellerin kullanılması iyi sonuçlar
vermemektedir. Çünkü, normal dağılım ve t dağılımı gibi standart dağılımlar, kripto
paralarda ortaya çıkan, yüksek volatilite, volatilite kümelenmesi, şişkin kuyruklu ve
çarpık dağılımlar gibi özelliklerin modellenmesinde uygun değildir. Dolayısıyla,
piyasada meydana gelebilecek ani değişimleri daha iyi modelleyebilmek için, Chen
ve Gerlach (2013) tarafından öne sürülmüş olan iki taraflı Weibull dağılımını,
GARCH (Generalized Autoregressive Conditional Heteroskedasticity) (Otoregresif
Koşullu Değişen Varyans) yöntemiyle kombine eden yeni bir portföy riske maruz
değer hesaplama yöntemi (HS-GARCH-Weibull) geliştirilmiştir. Yeni önerilen
yöntem, tarihsel simülasyon (Historical Simulation) (HS) yoluyla Chen ve Gerlach’ın
XIV
(2013) tek değişkenli modelinin genişletilerek portföylere uygulanmasını
içermektedir. Çalışmanın amacı, HS-GARCH-Weibull yönteminin kripto para
portföylerinde diğer tek ve çok değişkenli modellere göre daha iyi bir risk tahmin
performansına sahip olduğunu, geriye dönük testleri kullanarak göstermektir. Bu
amaçla gerçekleştirilmiş olan uygulamada, Bitcoin, Litecoin, Ripple ve Dash kripto
para birimlerinden oluşturulmuş olan bir optimum (minimum varyanslı) portföy ele
alınmıştır. Kripto paraların dinamik yapısından dolayı günlük olarak değişen
optimal ağırlıklarının bulunması için Markowitz’in (1952) optimal portföy
teorisinden yararlanılmıştır. Ampirik bulgular, HS-GARCH-Weibull yönteminin dört
geriye dönük test kriterinden üçüne göre en iyi performansı gösterdiğini ortaya
koymaktadır.