151. Dalgalanma Yayılımı (Diebold–Yilmaz) ve Genelleştirilmiş Etki–Tepki
Analiz kimliği: yayilim_gfevd · Menü adı: Dalgalanma Yayılımı (Diebold-Yilmaz) ve Genelleştirilmiş Etki-Tepki · Panel: gui/panels/analyses/yayilim_panel.py · Motor: stats/yayilim_gfevd.py, yayilim_hesapla (satır 222–); VAR kestirimi var_ols (49–68); ayrışım gfevd (80–88); etki–tepki girf (91–94); endeksler endeksler (97–109); bootstrap _boot (112–150)
151.1 Ne işe yarar
Birden çok serinin (borsa getirileri, dalgalanma ölçüleri) birbirine ne kadar yayıldığını ölçer. Yöntem iki adımdır: bir VAR kestirilir, sonra her serinin H adım ilerisi tahmin hata varyansının ne kadarının kendi şokundan, ne kadarının diğer serilerin şoklarından geldiği hesaplanır. Bu paylar Pesaran ve Shin (1998) genelleştirilmiş varyans ayrışımıyla bulunduğundan değişken sırasına bağlı değildir (Cholesky ayrışımının aksine). Bunlardan Diebold ve Yilmaz'ın (2009, 2012) endeksleri türetilir.
- \Phi_h: VAR'ın h. MA katsayı matrisi; \Sigma: hata kovaryans matrisi; \sigma_{jj}: j. hata varyansı.
- \tilde\theta_{ij}: i değişkeninin H adım tahmin hata varyansının j şokundan gelen oranı (satır toplamı 1'e normalleştirilmiş).
Ayrıca genelleştirilmiş etki–tepki fonksiyonu (GIRF): j. denklemde bir standart sapmalık şokun diğer serilere h adım içindeki etkisi.
Ne zaman kullanılır? Finansal piyasalar arası bulaşma, dalgalanma yayılımı, makroekonomik değişkenler arası şok aktarımı. Kayan pencereyle yayılımın zaman içinde nasıl değiştiğini (kriz dönemlerinde artış) gösterir.
Ne zaman kullanılmaz?
- Yalnız "X, Y'yi öngörüyor mu" sorusu varsa: Nedensellik (147).
- Seriler bütünleşik düzey serileriyse (fiyat): önce getiriye ya da farka çevrilmelidir; yoksa yayılım sahte olabilir.
- Yapısal şok kimliği gerekiyorsa: genelleştirilmiş ayrışım yapısal şok vermez; VAR (142) ve Cholesky ya da yapısal VAR.
Sık karıştırılan analizler. VAR paneli ortogonal (Cholesky) etki–tepki ve ayrışım verir; sonuçlar değişken sırasına bağlıdır. Bu analizde sıra etkisizdir ama şoklar ilişkili kalır.
151.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Kararlı VAR | Tüm kökler birim çemberin içinde. | En büyük kök modülü yazılır; \ge1 ise "KARARSIZ" uyarısı. |
| Durağan seriler | Getiri ya da dalgalanma. | "Düzey" seçili ve seriler bütünleşikse uyarı. |
| Yeterli gözlem | T\ge Kp+n_d+p+8. | n_kisa. |
| Sıfır olmayan varyans | Sabit seri yok. | sabit hatası. |
Eksik değer. Dönüşümden sonra eksik satırlar atılır ve atılan sayı raporlanır. Uç durumlar: en az iki seri (cols), ufuklar 2–100 (ufuk), tekil tasarım (tekil), kayan pencere KP+n_d+p+10'dan küçük ya da seriden uzunsa hata.
151.3 Parametreler
Varsayılanlar yayilim_panel.py içindeki read_options kodundan okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Seriler (en az 2) | — | Yayılımı ölçülecek seriler. | — |
| Zaman sütunu | boş | Sıralama. | Kayan pencere ekseni. |
| Dönüşüm | Düzey | Düzey, fark, log, log-fark. | Fiyat serileri için log-fark. |
| Gecikme seçimi | Elle | Elle ya da AIC, HQ, SC, FPE. | p. |
| VAR gecikmesi p | 4 | Elle seçimde (Diebold ve Yilmaz 2012 varsayılanı). | Ayrışım. |
| En büyük gecikme | 8 | Ölçüt taramasının üst sınırı. | Gerekirse küçültülür. |
| Deterministik terimler | Sabit | Sabit, trend, ikisi, yok. | VAR. |
| Varyans ayrışımı ufku H | 10 | Tahmin hata varyansı ufku. | Paylar. |
| Etki–tepki ufku | 10 | GIRF ufku. | — |
| Kayan pencereli dinamik yayılım | kapalı | Her pencerede VAR yeniden kestirilir. | Zaman içi endeks. |
| Pencere uzunluğu, adım | 200, 1 | Diebold–Yilmaz: 200 hafta. | — |
| Bootstrap tekrar sayısı | 500 | GIRF bantları ve endeks aralıkları. | 0 = yok. |
| Tohum | 12345 | Bootstrap tohumu. | Aralıklar. |
151.4 Veri örneği
Tıp veri setinde yayılım ölçülecek çok değişkenli finansal seri bulunmadığından, EuStockMarkets günlük borsa endekslerinin log getirileri kullanılır (R datasets; DAX, SMI, CAC, FTSE; yüzde; n=1859; MerQur test klasöründeki tests/data/v280_yayilim_eustock.csv).
Soru: Avrupa borsaları arasında dalgalanma yayılımı ne kadar ve hangisi net verici? Ayarlar: p=2, sabit terim, H=10, bootstrap ve kayan pencere kapalı.
151.5 Formüller ve hesap adımları
151.5.1 VAR
y_t=\nu+A_1y_{t-1}+\dots+A_py_{t-p}+u_t, EKK ile her denklem ayrı kestirilir; regresörler sırası [y_{t-1},\dots,y_{t-p},\text{sabit},\text{trend}] ve \hat\Sigma=U'U/(T-m) (R vars::VAR sözleşmesi; var_ols, 49–68). MA katsayıları \Phi_0=I, \Phi_h=\sum_{j=1}^{\min(h,p)}\Phi_{h-j}A_j.
151.5.2 GFEVD ve endeksler
\theta_{ij}(H) yukarıdaki formüldür; \tilde\theta=\theta/\text{satır toplamı} (gfevd, 80–88). Tablo hücresi 100\,\tilde\theta_{ij}:
Neden satırlar yeniden normalleştiriliyor?
Genelleştirilmiş ayrışımda şoklar ilişkili olduğundan \sum_j\theta_{ij}\ne1 olur. Diebold ve Yilmaz (2012) payları satır toplamına bölerek yüzdeye çevirir (gfevd; panel notu: "Pesaran-Shin ayrışımı satır normalleştirilir"). Sonuç değişken sırasından bağımsızdır.
151.5.3 GIRF
j. denklemde bir standart sapmalık şokun tüm serilere h. dönemdeki etkisi; diğer hatalar \Sigma'daki ilişkiyle şokla birlikte hareket eder (girf, 91–94).
151.5.4 Bootstrap ve kayan pencere
Bootstrap: ortalaması çıkarılmış kalıntılar yeniden örneklenir, VAR özyinelemeli olarak yeniden üretilir, her tekrarda GIRF, ayrışım ve endeksler hesaplanır; aralık yüzdelik yöntemiyledir (_boot). Kayan pencerede her pencerede VAR yeniden kestirilir (gecikme sayısı sabit) ve toplam yayılım, yönlü yayılımlar pencere sonu tarihinde yazılır.
Koddaki tercih: gecikme varsayılanı elle ve p=4
Diebold ve Yilmaz (2012) VAR(4) ve H=10 kullanır; MerQur varsayılanı budur. Gecikme ölçütle seçilecekse "Gecikme seçimi"nden AIC, HQ, SC ya da FPE seçilir (yayilim_panel.py, read_options).
151.6 Elle hesap
Bağımsız numpy betiği (dogrulama/cilt9/yayilim.py).
Adım 1 — VAR(2). T=1859-2=1857, her denklemde m=Kp+1=9 katsayı; \hat\Sigma=U'U/(T-9). En büyük kök modülü 0{,}2482 (kararlı).
Adım 2 — MA katsayıları. \Phi_0=I, \Phi_1=A_1, \Phi_2=\Phi_1A_1+A_2, … \Phi_9.
Adım 3 — GFEVD, H=10. \theta_{ij} ve satır toplamıyla normalleştirme. \tilde\theta\times100:
| DAX | SMI | CAC | FTSE | |
|---|---|---|---|---|
| DAX | 40,82 | 20,44 | 21,88 | 16,86 |
| SMI | 22,38 | 44,79 | 17,22 | 15,60 |
| CAC | 22,89 | 16,37 | 42,67 | 18,07 |
| FTSE | 18,84 | 15,69 | 19,30 | 46,17 |
Adım 4 — Endeksler. Diğerlerinden =(59{,}18;\ 55{,}21;\ 57{,}33;\ 53{,}83), diğerlerine =(64{,}11;\ 52{,}50;\ 58{,}41;\ 50{,}53), net =(4{,}92;\ -2{,}70;\ 1{,}08;\ -3{,}30). Toplam yayılım endeksi =225{,}55/4=56{,}39\%.
151.6.1 Doğrulama: MerQur, Python ve R
| Büyüklük | MerQur | Bağımsız Python | R (vars + elle GFEVD) |
Sonuç |
|---|---|---|---|---|
| \tilde\theta (16 hücre, \times100) | tablodaki | aynı | tn |
✓ (<10^{-4}) |
| Toplam yayılım endeksi | 56,39 | 56,387624 | 56,387624 | ✓ |
| Net (DAX, SMI, CAC, FTSE) | 4,92; −2,70; 1,08; −3,30 | 4,9238; −2,7023; 1,0789; −3,3004 | aynı | ✓ |
| GIRF h=0, şok DAX | 1,0281; 0,6513; 0,8039; 0,5069 | — | girf |
✓ |
R sayıları, MerQur test takımındaki sabitlenmiş değerlerdir (tests/data/v280_yayilim_ref.json, anahtar eu_p2_H10; R 4.5.3, vars 1.6 ile VAR, Phi, covres; GFEVD elle yazılmıştır; tests/test_v280_tahmin_yayilim.py). Bu çalışmada R yeniden çalıştırılmamıştır; MerQur ile bağımsız numpy hesabı arasındaki fark yazılan ondalıklarda sıfırdır.
151.7 Çıktıyı okuma
Model: VAR(2), Sabit Etkin gözlem sayısı: 1857 En büyük kök modülü: 0,2482 (kararlı)
YAYILIM TABLOSU (H = 10)
Değişken DAX SMI CAC FTSE Diğerlerinden
DAX 40,82 20,44 21,88 16,86 59,18
...
Diğerlerine 64,11 52,50 58,41 50,53 225,55
Net 4,92 -2,70 1,08 -3,30
Toplam yayılım endeksi: %56,39
YÖNLÜ VE NET YAYILIM (%)
DAX 64,11 59,18 4,92 net verici
FTSE 50,53 53,83 -3,30 net alıcı
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Köşegen | Değişkenin kendi şokundan gelen payı. | Küçüldükçe dış kaynaklı değişkenlik artar. |
| Diğerlerinden | Satırın köşegen dışı toplamı. | Değişkenin dışarıdan aldığı yayılım. |
| Diğerlerine | Sütunun köşegen dışı toplamı. | Değişkenin dışarıya verdiği yayılım. |
| Net | Diğerlerine - diğerlerinden. | Pozitif: net verici; negatif: net alıcı. |
| Toplam endeks | Köşegen dışı toplamın K'ya bölümü. | Sistemin toplam bağlantılılığı. |
| İkili net | 100(\tilde\theta_{ji}-\tilde\theta_{ij}). | Pozitif: i, j'ye net verici; satır toplamı i'nin netidir. |
Bu örnekte toplam yayılım %56,4'tür. DAX net verici (+4,9), FTSE net alıcıdır (-3{,}3). Çıktının sonundaki "Dönüşüm düzey seçili" uyarısı, burada seriler zaten getiri olduğundan geçerli değildir.
VAR(2) modeli (DAX, SMI, CAC, FTSE; T=1857) üzerinden H=10 ufkunda Pesaran–Shin genelleştirilmiş varyans ayrışımıyla Diebold–Yilmaz endeksleri hesaplandı. Toplam yayılım endeksi \%56{,}4 bulundu. En büyük net verici DAX (net \%4{,}9), en büyük net alıcı FTSE (net \%-3{,}3) oldu.
151.8 Uzman soruları
S1. Genelleştirilmiş ayrışım neden değişken sırasından bağımsız?
Her şok için ortogonalleştirmek yerine, diğer şokların o şokla birlikte hareket ettiği gözlenen bağıntı kullanılır (\Sigma e_j). Cholesky'de ilk değişken şokların tamamını kendine çeker; sıra sonucu değiştirir.
S2. Satırlar neden 1'e eşit değil, nasıl normalleştiriliyor?
Şoklar ortogonal olmadığından ayrışımın satır toplamı 1'den büyük olabilir. Diebold ve Yilmaz satır toplamına bölerek payları yüzdeye çevirir; MerQur de böyle yapar.
S3. Toplam yayılım endeksi yüksekse piyasalar "bulaşmış" mıdır?
Hayır. Yüksek endeks, ilişkili hata kovaryansı altında şokların çapraz aktarıldığını gösterir; ortak bir üçüncü şok da aynı sonucu verir. Yönlü ve ikili net endeksler yorum için daha anlamlıdır.
S4. H ve p sonucu ne kadar değiştirir?
Endeks H arttıkça genellikle artar ve belli bir ufuktan sonra yakınsar (burada \Phi_h hızla sönümlenir: h=10'da GIRF sıfıra yakın). Gecikme sayısı kararlılığı ve kökleri etkiler.
S5. Bootstrap aralıkları nasıl yorumlanır?
Kalıntı bootstrap ve yüzdelik aralık; "geçerli tekrar" sayısı yazılır. Kararsız VAR ya da kısa seride geçerli tekrar azalır; %90'ın altına düşerse uyarı yazılır.
S6. Başka yazılımlarla fark?
VAR kestirimi, \Phi_h ve \Sigma R vars ile aynıdır; GFEVD ve endeksler aynı tanımla elle yazılmış R koduyla eşleşir. Diebold–Yilmaz'ın yayımlı veri ve sonuçlarına erişilemediğinden onlarla doğrudan sınanmamıştır (test takımı notu).
151.9 Sık hatalar ve tuzaklar
- Fiyat serilerinde düzey seçmek. Bütünleşik serilerde yayılım sahte olabilir; log-fark seçin.
- Kararsız VAR'ı yorumlamak. "KARARSIZ" uyarısı varsa ayrışım güvenilmezdir.
- Pozitif endeksi "bulaşma" kanıtı saymak. Ortak şok olasılığını dışlamaz.
- Kayan pencerede pencereyi çok küçük seçmek. Pencere Kp+n_d+p+10'dan küçükse hata verir; çok küçük pencerede endeks gürültülüdür.
- İkili netin işaretini ters okumak. [i,j]>0: i'den j'ye net.
151.10 Kaynaklar
- Pesaran, M. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics Letters, 58(1), 17–29. https://doi.org/10.1016/S0165-1765(97)00214-0
- Diebold, F. X., & Yilmaz, K. (2009). Measuring financial asset return and volatility spillovers, with application to global equity markets. Economic Journal, 119(534), 158–171. https://doi.org/10.1111/j.1468-0297.2008.02208.x
- Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of Forecasting, 28(1), 57–66. https://doi.org/10.1016/j.ijforecast.2011.02.006
- Lütkepohl, H. (2005). New introduction to multiple time series analysis. Springer. https://doi.org/10.1007/978-3-540-27752-1
- Runkle, D. E. (1987). Vector autoregressions and reality. Journal of Business & Economic Statistics, 5(4), 437–442. https://doi.org/10.1080/07350015.1987.10509609