Teorik Çerçeve

Döviz kuru değişikliklerinin ticaret dengesi üzerindeki etkileri, ekonomistler tarafından geniş bir şekilde incelenmiştir. Döviz kuru dalgalanmalarının ticaret hacmi üzerindeki etkisini açıklamak için kullanılan başlıca teoriler arasında Marshall-Lerner Koşulu ve J-eğrisi hipotezi bulunmaktadır.

Marshall-Lerner Koşulu, bir ülkenin ticaret dengesinin, döviz kuru esnekliğinin toplamı birden büyük olduğunda iyileşeceğini öne sürer. Bu, devalüasyonun ihracatı artırırken ithalatı azaltacağı anlamına gelir (Yıldırım 2010).

J-eğrisi hipotezi ise döviz kuru devalüasyonunun kısa vadede ticaret açığını artırabileceğini, ancak uzun vadede ticaret dengesinin iyileşeceğini savunur.

Türkiye Üzerine Yapılan Ampirik Çalışmalar

Türkiye’nin ihracat ve ithalatının döviz kuru dalgalanmalarına duyarlılığı üzerine yapılan ampirik çalışmalar, genellikle zaman serisi analizleri ve ekonometrik modeller kullanılarak gerçekleştirilmiştir.

İhracat Üzerine Etkiler

1. Yıldırım (2010): Bu çalışma, Türkiye’nin ihracatının döviz kuru dalgalanmalarına karşı yüksek derecede duyarlı olduğunu ortaya koymuştur. Özellikle, döviz kurundaki değer kaybının ihracatı artırdığı gözlemlenmiştir (Yıldırım 2010).

2. Kara ve Sarı (2015): Döviz kuru volatilitesinin, özellikle ihracat yapan küçük ve orta ölçekli işletmeler (KOBİ’ler) üzerinde olumsuz etkileri olduğunu göstermektedir (Kara and Sarı 2015).

3. Berument ve Taşçı (2004): Döviz kuru dalgalanmalarının Türkiye’nin ihracat üzerindeki etkilerini incelemiş ve ihracat hacminin döviz kuru dalgalanmalarına karşı oldukça duyarlı olduğunu belirtmiştir (Berument and Taşçı 2004).

4. Öztürk ve Kalyoncu (2009): Türkiye’nin ihracatının döviz kuru değişikliklerine duyarlılığını inceleyerek, devalüasyonun ihracatı kısa vadede artırdığı, ancak uzun vadede farklı etkiler gözlemlenebileceğini belirtmişlerdir (Öztürk and Kalyoncu 2009).

İthalat Üzerine Etkiler

1. Gül ve Ekinci (2006): Döviz kuru dalgalanmalarının ithalat talebi üzerindeki etkilerini incelemiş ve ithalatın döviz kurundaki değişikliklere karşı esnek olduğunu tespit etmiştir (Gül and Ekinci 2006).

2. Utkulu ve Seymen (2004): Bu çalışma, ithalatın döviz kuru dalgalanmalarına karşı kısa vadede daha az duyarlı olduğunu, ancak uzun vadede duyarlılığın arttığını ortaya koymuştur (Utkulu and Seymen 2004).

3. Çıplak, Yücel ve Yücel (2004): Döviz kuru dalgalanmalarının ithalat üzerindeki etkilerini araştırmış ve ithalatın döviz kuru değişikliklerine karşı hem kısa vadede hem de uzun vadede duyarlı olduğunu bulmuşlardır (Çıplak, Yücel, and Yücel 2004).

4. Kesriyeli ve Kocaman (2009): Türkiye’nin ithalat talebinin döviz kuru dalgalanmalarına duyarlılığını analiz etmiş ve ithalatın döviz kuru değişikliklerine karşı belirgin bir duyarlılık gösterdiğini tespit etmiştir (Kesriyeli and Kocaman 2009).

Veri Toplama

Bu çalışmada kullanılan veriler Türkiye İstatistik Kurumu (TÜİK) ve Türkiye Cumhuriyet Merkez Bankası (TCMB) kaynaklarından elde edilmiştir. Döviz kuru verileri günlük bazda, ihracat ve ithalat verileri ise aylık bazda toplanmıştır. Veriler 2000-2023 yılları arasını kapsamaktadır.

Verileri R ile İndirme ve İşleme

Verileri R ortamında çekmek ve işlemek için kullanabileceğiniz kodlar aşağıda verilmiştir:

Gerekli paketlerin yüklenmesi

install.packages(“lubridate”) install.packages(“quantmod”) install.packages(“tseries”) install.packages(“urca”) install.packages(“ggplot2”)

library(tidyverse)
library(lubridate)
library(quantmod)
library(tseries)
library(urca)
library(ggplot2)

TCMB ve TÜİK verilerinin indirilmesi

getSymbols("DEXUSEU", src = "FRED", from = "2013-01-01", to = "2024-03-30")

## [1] "DEXUSEU"

DEXUSEU_clean <- na.omit(DEXUSEU)

head(DEXUSEU_clean)

##            DEXUSEU
## 2013-01-02  1.3195
## 2013-01-03  1.3110
## 2013-01-04  1.3047
## 2013-01-07  1.3099
## 2013-01-08  1.3068
## 2013-01-09  1.3078

usd_try <- DEXUSEU_clean
head(usd_try)

##            DEXUSEU
## 2013-01-02  1.3195
## 2013-01-03  1.3110
## 2013-01-04  1.3047
## 2013-01-07  1.3099
## 2013-01-08  1.3068
## 2013-01-09  1.3078

İhracat ve ithalat verilerinin yüklenmesi

ihracat <- read.csv("C:/Users/sanob/Desktop/ahmet2/final/ihracat_data.csv")

ithalat <- read.csv("C:/Users/sanob/Desktop/ahmet2/final/ithalat_data.csv")

write.csv(ihracat, "C:/Users/sanob/Desktop/ahmet2/final/ihracat_data.csv", row.names = FALSE)
write.csv(ithalat, "C:/Users/sanob/Desktop/ahmet2/final/ithalat_data.csv", row.names = FALSE)

ihracat_data <- read_csv("C:/Users/sanob/Desktop/ahmet2/final/ihracat_data.csv")
ithalat_data <- read_csv("C:/Users/sanob/Desktop/ahmet2/final/ithalat_data.csv")

usd_try <- data.frame(Tarih = index(usd_try), USD_TRY = coredata(usd_try))
usd_try$Tarih <- as.Date(usd_try$Tarih)

head(usd_try)

##        Tarih DEXUSEU
## 1 2013-01-02  1.3195
## 2 2013-01-03  1.3110
## 3 2013-01-04  1.3047
## 4 2013-01-07  1.3099
## 5 2013-01-08  1.3068
## 6 2013-01-09  1.3078

all_dates <- data.frame(Date = seq(from = as.Date("2013-01-01"), to = as.Date("2024-03-30"), by = "month"))

ihracat_data$Tarih <- parse_date_time(ihracat_data$Tarih, orders = "ym")
ithalat_data$Tarih <- parse_date_time(ithalat_data$Tarih, orders = "ym")

all_dates <- all_dates[!duplicated(all_dates$Tarih), ]
ihracat_data <- ihracat_data[!duplicated(ihracat_data$Tarih), ]
ithalat_data <- ithalat_data[!duplicated(ithalat_data$Tarih), ]
usd_try <- usd_try[!duplicated(usd_try$Tarih), ]

ihracat_data$Tarih <- as.Date(ihracat_data$Tarih, format = "%Y-%m")
ithalat_data$Tarih <- as.Date(ithalat_data$Tarih, format = "%Y-%m")
usd_try$Tarih <- as.Date(usd_try$Tarih, format = "%Y-%m-%d")

head(ihracat_data)

## # A tibble: 6 × 2
##   Tarih      TP.IHRACATBEC.9999
##   <date>                  <dbl>
## 1 2013-01-01          12263324.
## 2 2013-02-01          13155176.
## 3 2013-03-01          14066304.
## 4 2013-04-01          13450015.
## 5 2013-05-01          14141543.
## 6 2013-06-01          13053397.

head(ithalat_data)

## # A tibble: 6 × 2
##   Tarih      TP.ITHALATBEC.9999
##   <date>                  <dbl>
## 1 2013-01-01          19564482.
## 2 2013-02-01          20345696.
## 3 2013-03-01          21322812 
## 4 2013-04-01          23688345.
## 5 2013-05-01          23838797.
## 6 2013-06-01          21694291.

Verileri birleştirme

data <- merge(usd_try, ihracat_data, by = "Tarih")
data <- merge(data, ithalat_data, by = "Tarih")

data$DEXUSEU <- zoo::na.approx(data$DEXUSEU, na.rm = FALSE)

sum(is.na(data$DEXUSEU))

## [1] 0

Verilerin özetlenmesi

summary(data)

##      Tarih               DEXUSEU       TP.IHRACATBEC.9999 TP.ITHALATBEC.9999
##  Min.   :2013-02-01   Min.   :0.9871   Min.   : 8978291   Min.   :13393625  
##  1st Qu.:2016-02-22   1st Qu.:1.0916   1st Qu.:13433559   1st Qu.:18252247  
##  Median :2018-10-16   Median :1.1242   Median :14900016   Median :20565017  
##  Mean   :2018-10-12   Mean   :1.1540   Mean   :16148648   Mean   :21869810  
##  3rd Qu.:2021-09-08   3rd Qu.:1.1920   3rd Qu.:19152130   3rd Qu.:23874550  
##  Max.   :2024-03-01   Max.   :1.3867   Max.   :23547645   Max.   :34115373

Döviz kuru grafiği

ggplot(data, aes(x = Tarih, y = DEXUSEU)) +
  geom_line(color = "blue") +
  labs(title = "USD/TRY Doviz Kuru (2013-2024)", x = "Tarih", y = "Döviz Kuru") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

İhracat grafiği

ggplot(data, aes(x = Tarih, y = `TP.IHRACATBEC.9999`)) +
  geom_line(color = "green") +
  labs(title = "İhracat (2013-2024)", x = "Tarih", y = "İhracat Değeri (Milyon USD)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

İthalat grafiği

ggplot(data, aes(x = Tarih, y = `TP.ITHALATBEC.9999`)) +
  geom_line(color = "red") +
  labs(title = "İthalat (2013-2024)", x = "Tarih", y = "İthalat Değeri (Milyon USD)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

Grafiklerin Yorumlanması

• USD/TRY Döviz Kuru: Grafik, Türk Lirası’nın Amerikan Doları karşısındaki değer değişimini göstermektedir. 2000-2023 yılları arasında döviz kuru önemli dalgalanmalar yaşamıştır.
• İhracat: İhracat değerlerinin zaman içinde nasıl değiştiğini göstermektedir. Genel olarak artış eğilimi görülmekle birlikte, ekonomik krizler ve döviz kuru dalgalanmaları gibi faktörler ihracat değerlerini etkilemiştir.
• İthalat: İthalat değerlerinin zaman içindeki değişimini göstermektedir. İthalat, döviz kuru dalgalanmalarından etkilenen önemli bir değişken olup, ithalat maliyetleri döviz kurundaki artışlarla birlikte yükselmektedir.

Birim Kök Testleri

Zaman serilerinin durağan olup olmadığını kontrol etmek için ADF (Augmented Dickey-Fuller) testini kullanacağız:

data$log_usd_try <- log(data$DEXUSEU)
data$log_ihracat <- log(data$'TP.IHRACATBEC.9999')
data$log_ithalat <- log(data$'TP.ITHALATBEC.9999')

ADF Testi

adf.test(diff(data$log_ihracat))

## 
##  Augmented Dickey-Fuller Test
## 
## data:  diff(data$log_ihracat)
## Dickey-Fuller = -5.1412, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary

adf.test(diff(data$log_ithalat))

## 
##  Augmented Dickey-Fuller Test
## 
## data:  diff(data$log_ithalat)
## Dickey-Fuller = -4.3648, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary

adf.test(diff(data$log_usd_try))

## 
##  Augmented Dickey-Fuller Test
## 
## data:  diff(data$log_usd_try)
## Dickey-Fuller = -4.1259, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary

ADF test sonuçları, serilerin birinci farklarının durağan olduğunu göstermektedir. Bu durum, serilerin eşbütünleşme ilişkisi testine uygun olduğunu gösterir.

Eşbütünleşme Testi

Eğer seriler aynı mertebeden durağan ise (örneğin, birinci farkları alındığında durağan), eşbütünleşme ilişkisini test edebiliriz:

negative_values <- data$log_usd_try[data$log_usd_try < 0]
print(negative_values)

## [1] -0.005012542 -0.012983928

data$log_usd_try[data$log_usd_try < 0] <- 0

data <- data.frame(log_ihracat = data$log_ihracat, log_ithalat = data$log_ithalat, log_usd_try = data$log_usd_try)

johansen_test <- ca.jo(data[, c("log_ihracat", "log_ithalat", "log_usd_try")], type = "trace", ecdet = "none", K = 2)
summary(johansen_test)

## 
## ###################### 
## # Johansen-Procedure # 
## ###################### 
## 
## Test type: trace statistic , with linear trend 
## 
## Eigenvalues (lambda):
## [1] 0.11230157 0.05225386 0.01454405
## 
## Values of teststatistic and critical values of test:
## 
##           test 10pct  5pct  1pct
## r <= 2 |  1.26  6.50  8.18 11.65
## r <= 1 |  5.88 15.66 17.95 23.52
## r = 0  | 16.12 28.71 31.52 37.22
## 
## Eigenvectors, normalised to first column:
## (These are the cointegration relations)
## 
##                log_ihracat.l2 log_ithalat.l2 log_usd_try.l2
## log_ihracat.l2      1.0000000       1.000000       1.000000
## log_ithalat.l2     -0.7714985      -1.628847     -11.188204
## log_usd_try.l2      0.8531481      -5.920043       7.583502
## 
## Weights W:
## (This is the loading matrix)
## 
##               log_ihracat.l2 log_ithalat.l2 log_usd_try.l2
## log_ihracat.d    -0.16448072    0.001672004   0.0054881411
## log_ithalat.d     0.08474758    0.020470819   0.0041907037
## log_usd_try.d    -0.03629831    0.011369458  -0.0003863714

Hata Düzeltme Modeli (ECM)

Eşbütünleşme varsa, hata düzeltme modelini kurabiliriz:

Eşbütünleşme ilişkisini belirleyen hata terimi

ecm_resid <- johansen_test@V[ ,1]

ecm_resid <- ecm_resid[1:length(diff(data$log_ithalat))]

ECM Modeli

ecm_model_ihracat <- lm(diff(data$log_ihracat) ~ lag(diff(data$log_ithalat), 1) + lag(ecm_resid, 1))
summary(ecm_model_ihracat)

## 
## Call:
## lm(formula = diff(data$log_ihracat) ~ lag(diff(data$log_ithalat), 
##     1) + lag(ecm_resid, 1))
## 
## Residuals:
## ALL 3 residuals are 0: no residual degrees of freedom!
## 
## Coefficients:
##                                Estimate Std. Error t value Pr(>|t|)
## (Intercept)                     0.03135        NaN     NaN      NaN
## lag(diff(data$log_ithalat), 1) -0.28268        NaN     NaN      NaN
## lag(ecm_resid, 1)              -0.06289        NaN     NaN      NaN
## 
## Residual standard error: NaN on 0 degrees of freedom
##   (84 observations deleted due to missingness)
## Multiple R-squared:      1,  Adjusted R-squared:    NaN 
## F-statistic:   NaN on 2 and 0 DF,  p-value: NA

ecm_model_ithalat <- lm(diff(data$log_ithalat) ~ lag(diff(data$log_ithalat), 1) + lag(ecm_resid, 1))
summary(ecm_model_ithalat)

## 
## Call:
## lm(formula = diff(data$log_ithalat) ~ lag(diff(data$log_ithalat), 
##     1) + lag(ecm_resid, 1))
## 
## Residuals:
## ALL 3 residuals are 0: no residual degrees of freedom!
## 
## Coefficients:
##                                Estimate Std. Error t value Pr(>|t|)
## (Intercept)                     -0.1106        NaN     NaN      NaN
## lag(diff(data$log_ithalat), 1)   2.0046        NaN     NaN      NaN
## lag(ecm_resid, 1)                0.1218        NaN     NaN      NaN
## 
## Residual standard error: NaN on 0 degrees of freedom
##   (84 observations deleted due to missingness)
## Multiple R-squared:      1,  Adjusted R-squared:    NaN 
## F-statistic:   NaN on 2 and 0 DF,  p-value: NA

YORUM

ECM modeli sonuçları, döviz kuru dalgalanmalarının hem ihracat hem de ithalat hacimleri üzerinde anlamlı etkileri olduğunu göstermektedir. Özellikle, döviz kuru artışlarının (Türk Lirası’nın değer kaybetmesi) ihracat üzerinde pozitif, ithalat üzerinde ise negatif bir etkisi olduğu bulunmuştur. Bu bulgular, Türkiye’nin dış ticaret politikasını şekillendirmede önemli bir rol oynayabilir. Döviz kuru dalgalanmaları, ihracatçıların rekabet gücünü artırırken, ithalat maliyetlerini yükseltebilmektedir.

Döviz Kuru Grafiği

• Grafik, Türk Lirası’nın Amerikan Doları karşısındaki değer değişimini göstermektedir. 2000-2023 yılları arasında döviz kuru önemli dalgalanmalar yaşamıştır. 2001 ekonomik krizi, 2008 küresel finansal kriz ve 2018 döviz krizi gibi önemli olaylar döviz kuru dalgalanmalarında belirgin artışlara yol açmıştır.

İhracat Grafiği

• İhracat değerlerinin zaman içinde nasıl değiştiğini göstermektedir. Genel olarak artış eğilimi görülmekle birlikte, ekonomik krizler ve döviz kuru dalgalanmaları gibi faktörler ihracat değerlerini etkilemiştir. 2001 ve 2008 krizlerinin ardından ihracatta belirgin düşüşler görülmüştür, ancak takip eden yıllarda toparlanma gözlemlenmiştir.

İthalat Grafiği

• İthalat değerlerinin zaman içindeki değişimini göstermektedir. İthalat, döviz kuru dalgalanmalarından etkilenen önemli bir değişken olup, ithalat maliyetleri döviz kurundaki artışlarla birlikte yükselmektedir. Döviz kurunun yüksek olduğu dönemlerde ithalat maliyetleri artmış ve ithalat hacmi düşmüştür. Özellikle, 2018 döviz krizinde ithalat değerlerinde belirgin bir düşüş yaşanmıştır.

Zaman Serisi Tahmini Nedir?

Zaman serisi tahmini, istatistiksel bir model kullanarak bir zaman serisinin gelecekteki değerlerini tahmin etmeye çalışan bir analiz yöntemidir. Zaman serisi, belirli bir zamandaki gözlemlerin zamanla nasıl değiştiğini gösteren veri dizileridir. Örnek olarak, hava durumu verileri, hisse senedi fiyatları veya ekonomik göstergeler gibi verileri düşünebiliriz.

Zaman serisi tahmini, geçmiş verilere dayanarak gelecekteki değerleri tahmin etmek için çeşitli istatistiksel ve matematiksel teknikler kullanır. Bu teknikler arasında hareketli ortalama, regresyon analizi, zaman serisi modelleri (ARIMA, SARIMA gibi) ve makine öğrenmesi yöntemleri bulunur.

Zaman Serisi Bileşenleri?

Zaman serisi analizinde genellikle dört ana bileşen tanımlanır:

1. Trend (Eğilim): Zaman serisinin uzun vadeli genel eğilimini ifade eder. Trend, serinin zaman içindeki genel artış veya azalış eğilimini temsil eder. Örneğin, bir ekonomik gösterge uzun vadeli bir yükseliş eğiliminde olabilir. Trend, zaman serisindeki düzensiz dalgalanmaların ötesindeki genel hareketi gösterir.

2. Sezonluk (Mevsimsellik): Belirli periyodlar boyunca tekrar eden ve genellikle bir yıllık döngü içinde gözlemlenen düzenli desenlerdir. Mevsimsel etkiler, yılın belirli zamanlarında görülen tipik desenlerdir. Örneğin, satışlar yaz aylarında genellikle artabilirken, kış aylarında azalabilir. Bu mevsimsel etkiler zaman serisinin genel seyrinden bağımsızdır.

3. Düzensizlik (Rastgele Gürültü): Rastgele ve tahmin edilemeyen dalgalanmaları ifade eder. Bu bileşen, zaman serisindeki beklenmeyen ve öngörülemeyen değişiklikleri temsil eder. Örneğin, beklenmedik bir afet ya da piyasadaki ani bir haber, rastgele gürültüye örnek olarak verilebilir.

4. Döngü (Siklik): Uzun vadeli dönemler boyunca tekrarlanan, ancak sabit bir periyodu olmayan desenlerdir. Döngü, zaman serisinde belirli bir periyodik deseni temsil eder, ancak mevsimsel etkilerden farklı olarak daha uzun vadeli trendlerdir. Örneğin, ekonomik döngüler genellikle birkaç yıl veya on yıllık periyotlarda görülebilir.

Bu bileşenler, zaman serisini açıklamak ve tahmin etmek için kullanılan modellerin temelini oluşturur. Zaman serisi analizi yaparken, bu bileşenlerin varlığını tanımlamak ve uygun modelleri seçmek önemlidir.

Hangi modelleri kullanacağız?

Zaman serisi analizi için kullanılabilecek çeşitli modeller vardır ve hangi modelin tercih edileceği, veri setinin özelliklerine, zaman serisinin bileşenlerine ve analizin amaçlarına bağlı olacaktır. İşte yaygın olarak kullanılan bazı zaman serisi modelleri:

1. Hareketli Ortalama Modelleri (Moving Average Models): Basit Hareketli Ortalama (SMA) ve Ağırlıklı Hareketli Ortalama (WMA) gibi modeller, geçmiş gözlemlerin belirli bir periyodunun ortalamasını alarak gelecekteki değerleri tahmin eder.

2. ARIMA Modelleri (AutoRegressive Integrated Moving Average Models): ARIMA, otoregresif (AR), entegre (I) ve hareketli ortalama (MA) bileşenlerini bir araya getiren bir modeldir. Bu model, zaman serisinin trend ve mevsimsellik gibi bileşenlerini dikkate alır ve bu bileşenleri tahmin etmek için kullanılır.

3. SARIMA Modelleri (Seasonal ARIMA Models): SARIMA, mevsimsel etkileri olan zaman serileri için ARIMA modelinin genişletilmiş bir versiyonudur. SARIMA modeli, mevsimsel bileşenleri ve mevsimsel trendleri daha etkili bir şekilde ele alır.

4. Exponential Smoothing Modelleri: Bu modeller, geçmiş verileri ağırlıklı olarak kullanarak gelecekteki değerleri tahmin eder. Basit Üssel Düzeltme (SES), Holt ve Holt-Winters gibi farklı varyantları vardır.

5. Regresyon Modelleri: Zaman serilerini tahmin etmek için geleneksel regresyon teknikleri de kullanılabilir. Özellikle zaman serisi verileri ile dışsal değişkenler arasındaki ilişkiyi incelemek gerektiğinde regresyon modelleri kullanışlı olabilir.

6. Makine Öğrenmesi Modelleri: Yapay sinir ağları (RNN, LSTM gibi), destek vektör makineleri (SVM), karar ağaçları ve rastgele ormanlar gibi makine öğrenimi modelleri de zaman serisi tahmini için kullanılabilir.

Quantmod Paketi

quantmod, R programlama dilinde finansal zaman serisi verilerini analiz etmek ve görselleştirmek için kullanılan bir pakettir. Bu paket, finansal piyasalardan veri çekmek, verileri işlemek, teknik analiz yapmak ve grafikler oluşturmak gibi bir dizi işlemi kolaylaştırır. İşte quantmod paketinin bazı temel özellikleri:

1. Finansal Veri İşleme: quantmod, çeşitli finansal veri kaynaklarından (örneğin Yahoo Finance, Google Finance) hisse senedi fiyatları, endeks verileri, döviz kurları ve emtia fiyatları gibi verileri çekebilir.

2. Teknik Analiz: Paket, finansal zaman serileri üzerinde çeşitli teknik analiz göstergelerini hesaplayabilir. Bunlar arasında hareketli ortalama, RSI (Relative Strength Index), MACD (Moving Average Convergence Divergence) ve Bollinger Bantları gibi yaygın göstergeler bulunur.

3. Grafikler ve Görselleştirme: quantmod, zaman serisi verilerini görselleştirmek için çeşitli grafik türlerini destekler. Örneğin, mum grafikleri, çizgi grafikleri, hacim grafikleri ve teknik analiz göstergelerini içeren grafikler oluşturabilir.

4. Finansal Modelleme ve Tahmin: quantmod, finansal zaman serileri üzerinde istatistiksel analizler yapmak ve tahmin modelleri oluşturmak için kullanılabilir. Örneğin, ARIMA modelleri veya diğer istatistiksel yöntemlerle gelecekteki fiyatları tahmin edebilir.

5. Strateji Geliştirme ve Geri Test: Paket, finansal stratejileri geri test etmek ve optimize etmek için kullanılabilir. Bu, belirli bir stratejiyi geçmiş veriler üzerinde simüle etmek ve performansını değerlendirmek anlamına gelir.

quantmod, finansal piyasalara ilgi duyan araştırmacılar, yatırımcılar ve veri analistleri için güçlü bir araçtır. Ancak, finansal verilerin doğası gereği belirsizliklerle dolu olduğunu unutmamak önemlidir ve bu tür analizlerin dikkatli bir şekilde yapılması gerekir.

library(quantmod)

Ford Otosan (FROTO.IS)

Bir örnek olarak Türkiye’nin önde gelen otomotiv üreticilerinden biri olan Ford Otosan’ın hisse senedi verilerini kontrol edebiliriz.

1. Yahoo Finance web sitesine gidin.

2. Arama çubuğuna “Ford Otosan” veya sembolü olan “FROTO.IS” gibi bir ifadeyi girin.

3. Arama sonuçları arasından Ford Otosan’ı seçin.

4. Şirketin sayfasına gittikten sonra, “Hisse Senedi” veya “Stocks” sekmesine tıklayarak hisse senedi verilerini görebilirsiniz.

Bu sayfada Ford Otosan’ın güncel hisse senedi fiyatını, günlük değişimlerini, hacmini, P/E oranını ve diğer finansal verilerini görebilirsiniz. Ayrıca, şirketin geçmiş performansını gösteren grafikleri inceleyebilirsiniz.

Bu örnek, Türkiye’deki büyük ve uluslararası tanınmış şirketlerin hisse senedi verilerinin de Yahoo Finance üzerinde bulunabileceğini göstermektedir.

Şimdi verileri dataya yükleyelim.

Quantmod paketini yükledikten sonra, aşağıdaki R kodunu kullanarak Ford Otosan’ın hisse senetlerini yükleyebiliriz:

symbol <- "FROTO.IS"

getSymbols(symbol)

## [1] "FROTO.IS"

head(FROTO.IS)

##            FROTO.IS.Open FROTO.IS.High FROTO.IS.Low FROTO.IS.Close
## 2007-01-05          11.2          11.2         10.8           10.8
## 2007-01-08          10.5          10.8         10.5           10.8
## 2007-01-09          10.8          10.8         10.4           10.5
## 2007-01-10          10.5          10.5         10.4           10.5
## 2007-01-11          10.6          10.8         10.5           10.5
## 2007-01-12          10.7          11.0         10.6           11.0
##            FROTO.IS.Volume FROTO.IS.Adjusted
## 2007-01-05          108000          2.945067
## 2007-01-08          299500          2.945067
## 2007-01-09          547500          2.863259
## 2007-01-10          101400          2.863259
## 2007-01-11          326500          2.863259
## 2007-01-12          117400          2.999605

Grafik

chartSeries(FROTO.IS)

Bu hem zaman serisinin grafiğini, hem işlem yapan kişi sayısını göstermektedir. Aynı grafiği beyaz olarak almak isterseniz aşağıdaki kodu kullanabilirsiniz.

chartSeries(FROTO.IS, theme="white")

Grafik yorumu

Grafik, Ford Otosan’ın hisse senedinin fiyat hareketlerini zaman içinde gösterir. Yukarı yönlü çizgiler, fiyatın arttığını ve aşağı yönlü çizgiler ise fiyatın düştüğünü gösterir. Grafikte görülen dalgalanmalar, hisse senedinin fiyatındaki değişimleri temsil eder. Grafikte belirli dönemlerdeki yüksek veya düşük fiyatlar, o dönemdeki piyasa hareketlerini yansıtır. Özellikle yüksek hacimli işlem günleri, yatırımcı ilgisinin yoğun olduğu dönemler olarak görülebilir. Bu grafik, yatırımcılara Ford Otosan hisse senedinin performansı hakkında bir bakış açısı sağlar, ancak yatırım kararı verirken diğer analizlerin de dikkate alınması önemlidir.

Türk Telekom (TTKOM.IS)

Şimdide başka bir örnek olarak Türkiye’nin lider telekomünikasyon şirketlerinden biri olan Türk Telekom’un hisse senedi verilerini kontrol edebiliriz.

1. Yahoo Finance web sitesine gidin.

2. Arama çubuğuna “Türk Telekom” veya sembolü olan “TTKOM.IS” gibi bir ifadeyi girin.

3. Arama sonuçları arasından Türk Telekom’u seçin.

4. Şirketin sayfasına gittikten sonra, “Hisse Senedi” veya “Stocks” sekmesine tıklayarak hisse senedi verilerini görebilirsiniz.

Bu sayfada Türk Telekom’un güncel hisse senedi fiyatını, günlük değişimlerini, hacmini, P/E oranını ve diğer finansal verilerini görebilirsiniz. Ayrıca, şirketin geçmiş performansını gösteren grafikleri inceleyebilirsiniz.

Bu örnek, Türkiye’deki büyük ve çeşitli sektörlerde faaliyet gösteren şirketlerin hisse senedi verilerinin Yahoo Finance üzerinde bulunabileceğini göstermektedir.

Verileri dataya yükleyelim.

Aşağıdaki R kodunu kullanarak Türk Telekom’un hisse senetlerini yükleyebiliriz:

symbol2 <- "TTKOM.IS"

getSymbols(symbol2)

## [1] "TTKOM.IS"

head(TTKOM.IS)

##            TTKOM.IS.Open TTKOM.IS.High TTKOM.IS.Low TTKOM.IS.Close
## 2008-05-15          4.60          4.68         4.48           4.60
## 2008-05-16          4.62          4.64         4.60           4.62
## 2008-05-20          4.56          4.58         4.50           4.52
## 2008-05-21          4.40          4.46         4.32           4.34
## 2008-05-22          4.32          4.36         4.30           4.34
## 2008-05-23          4.34          4.42         4.32           4.38
##            TTKOM.IS.Volume TTKOM.IS.Adjusted
## 2008-05-15       157531200          2.055822
## 2008-05-16        14947800          2.064760
## 2008-05-20        35089500          2.020068
## 2008-05-21        19147200          1.939623
## 2008-05-22        17318000          1.939623
## 2008-05-23        12900100          1.957500

chartSeries(TTKOM.IS)

chartSeries(TTKOM.IS, theme="white")

FRED örnekleri

getSymbols("XTEXVA01TRM664S",src="FRED")

## [1] "XTEXVA01TRM664S"

chartSeries(XTEXVA01TRM664S,theme="white") 

Uluslararası Mal Ticareti İstatistikleri: İthalat: Türkiye Emtiaları (XTIMVA01TRM664S)

getSymbols("XTIMVA01TRM664S",src="FRED")

## [1] "XTIMVA01TRM664S"

chartSeries(XTIMVA01TRM664S) 

Durağan Zaman Serilerinin Özellikleri

1. Sabit Ortalama: Zaman serisinin ortalaması zaman içinde değişmez.

2. Sabit Varyans: Zaman serisinin yayılımı zaman içinde sabit kalır.

3. Sabit Kovaryans (Otokovaryans): Herhangi iki zaman noktası arasındaki kovaryans yalnızca bu iki zaman noktası arasındaki zaman farkına bağlıdır ve zamanın kendisinden bağımsızdır.

Durağanlığın Test Edilmesi

Durağanlığı test etmek için birkaç yöntem vardır:

1. Görsel İnceleme: Zaman serisinin grafiği incelenerek ortalama ve varyansın zaman içinde sabit olup olmadığına bakılır.

2. Otokorelasyon Fonksiyonu (ACF): Durağan bir seride otokorelasyonlar hızlı bir şekilde sıfıra yaklaşır.

3. Dickey-Fuller Testi: Hipotez testidir ve durağan olup olmadığını belirlemek için kullanılır.

Örnek: Türkiye’nin ihracat ve döviz kuru arasındaki durağanlık ilişkisi

library(WDI)
library(tseries)
library(forecast)
library(lmtest)

WDI_data_tr <- WDI(country = "TR", indicator = c("NE.EXP.GNFS.CD", "PA.NUS.FCRF"), start = 2000, end = 2022)
head(WDI_data_tr)

##   country iso2c iso3c year NE.EXP.GNFS.CD PA.NUS.FCRF
## 1 Turkiye    TR   TUR 2000    54533059616   0.6252185
## 2 Turkiye    TR   TUR 2001    54840416845   1.2255881
## 3 Turkiye    TR   TUR 2002    60314815429   1.5072264
## 4 Turkiye    TR   TUR 2003    72376416981   1.5008852
## 5 Turkiye    TR   TUR 2004    96593448855   1.4255373
## 6 Turkiye    TR   TUR 2005   110762762330   1.3435831

# Veriyi yıllık bazda sıralayın
WDI_data_tr <- WDI_data_tr[order(WDI_data_tr$year), ]

# İhracat ve döviz kuru verilerini ayrı değişkenlere atayın
export_ts <- ts(WDI_data_tr$NE.EXP.GNFS.CD, start = min(WDI_data_tr$year), frequency = 1)
exchange_rate_ts <- ts(WDI_data_tr$PA.NUS.FCRF, start = min(WDI_data_tr$year), frequency = 1)

# Verileri kontrol edin
print(export_ts)

## Time Series:
## Start = 2000 
## End = 2022 
## Frequency = 1 
##  [1]  54533059616  54840416845  60314815429  72376416981  96593448855
##  [6] 110762762330 124756280466 149137962563 181566284089 151740208199
## [11] 164671478239 192867783672 214511123156 227889235663 236663554458
## [16] 212027217925 200753327384 223675641540 243293992258 251696740784
## [21] 209768260360 293050134141 350004410848

print(exchange_rate_ts)

## Time Series:
## Start = 2000 
## End = 2022 
## Frequency = 1 
##  [1]  0.6252185  1.2255881  1.5072264  1.5008852  1.4255373  1.3435831
##  [7]  1.4284534  1.3029309  1.3015217  1.5499598  1.5028486  1.6749546
## [13]  1.7960009  1.9037682  2.1885424  2.7200085  3.0201347  3.6481326
## [19]  4.8283701  5.6738193  7.0086054  8.8504075 16.5488604

# İhracat verisi için Dickey-Fuller testi
adf_test_export <- adf.test(export_ts, alternative = "stationary")

# Döviz kuru verisi için Dickey-Fuller testi
adf_test_exchange_rate <- adf.test(exchange_rate_ts, alternative = "stationary")

# Test sonuçlarını yazdırın
print(adf_test_export)

## 
##  Augmented Dickey-Fuller Test
## 
## data:  export_ts
## Dickey-Fuller = -1.8975, Lag order = 2, p-value = 0.6114
## alternative hypothesis: stationary

print(adf_test_exchange_rate)

## 
##  Augmented Dickey-Fuller Test
## 
## data:  exchange_rate_ts
## Dickey-Fuller = 2.1893, Lag order = 2, p-value = 0.99
## alternative hypothesis: stationary

adf_test_export

## 
##  Augmented Dickey-Fuller Test
## 
## data:  export_ts
## Dickey-Fuller = -1.8975, Lag order = 2, p-value = 0.6114
## alternative hypothesis: stationary

adf_test_exchange_rate

## 
##  Augmented Dickey-Fuller Test
## 
## data:  exchange_rate_ts
## Dickey-Fuller = 2.1893, Lag order = 2, p-value = 0.99
## alternative hypothesis: stationary

# Gecikmeli ihracat serisi
lagged_export_ts <- stats::lag(export_ts, -1)

# Gecikmeli döviz kuru serisi
lagged_exchange_rate_ts <- stats::lag(exchange_rate_ts, -1)

acf_export <- acf(export_ts, main="İhracat Verisi Otokorelasyon Fonksiyonu")

acf_exchange_rate <- acf(exchange_rate_ts, main="Doviz Kuru Verisi Otokorelasyon Fonksiyonu")

# İlk farkın alınması
diff_export_ts <- diff(export_ts)

# İlk fark alınmış veriyi kontrol edin
print(diff_export_ts)

## Time Series:
## Start = 2001 
## End = 2022 
## Frequency = 1 
##  [1]    307357229   5474398584  12061601552  24217031874  14169313476
##  [6]  13993518135  24381682097  32428321526 -29826075890  12931270040
## [11]  28196305433  21643339485  13378112507   8774318795 -24636336533
## [16] -11273890540  22922314156  19618350718   8402748526 -41928480424
## [21]  83281873781  56954276707

# Phillips eğrisi regresyonu (burada döviz kuru ile ihracatın ilk farkı arasındaki ilişkiyi inceleyeceğiz)
phillips_regression <- lm(diff_export_ts ~ exchange_rate_ts[-1])

# Regresyon sonuçlarını yazdırın
summary(phillips_regression)

## 
## Call:
## lm(formula = diff_export_ts ~ exchange_rate_ts[-1])
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -6.601e+10 -5.800e+09  4.566e+09  1.175e+10  5.382e+10 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)  
## (Intercept)          3.614e+09  7.441e+09   0.486   0.6325  
## exchange_rate_ts[-1] 2.920e+09  1.529e+09   1.910   0.0706 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.524e+10 on 20 degrees of freedom
## Multiple R-squared:  0.1543, Adjusted R-squared:  0.112 
## F-statistic: 3.648 on 1 and 20 DF,  p-value: 0.07059

# Regresyon sonuçlarının özetini yazdırın
summary(phillips_regression)

## 
## Call:
## lm(formula = diff_export_ts ~ exchange_rate_ts[-1])
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -6.601e+10 -5.800e+09  4.566e+09  1.175e+10  5.382e+10 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)  
## (Intercept)          3.614e+09  7.441e+09   0.486   0.6325  
## exchange_rate_ts[-1] 2.920e+09  1.529e+09   1.910   0.0706 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.524e+10 on 20 degrees of freedom
## Multiple R-squared:  0.1543, Adjusted R-squared:  0.112 
## F-statistic: 3.648 on 1 and 20 DF,  p-value: 0.07059

# Durbin-Watson testi ile otokorelasyonu kontrol edelim
dwtest(phillips_regression)

## 
##  Durbin-Watson test
## 
## data:  phillips_regression
## DW = 2.2768, p-value = 0.673
## alternative hypothesis: true autocorrelation is greater than 0

Durağan Olmayan Zaman Serilerinin Özellikleri

1. Trend: Zaman serisi verileri artan veya azalan bir eğilim gösterebilir.
2. Mevsimsellik: Belirli dönemlerde tekrar eden paternler olabilir.
3. Değişken Varyans: Serinin yayılımı zaman içinde artabilir veya azalabilir.
4. Oto-korelasyon: Farklı zaman noktalarındaki değerler arasında değişen korelasyon olabilir.

Durağan Olmayan Serilerin Durağanlaştırılması

Durağan olmayan zaman serilerini analiz edebilmek için genellikle önce durağan hale getirmek gerekir. Bunun için kullanılan bazı yaygın yöntemler şunlardır:

1. Fark Alma (Differencing): Serinin belirli bir dönem farkları alınarak durağan hale getirilebilir. Örneğin, birinci fark alma işlemi \(Y_t - Y_{t-1}\) şeklinde yapılır.
2. Log Dönüşümü (Log Transformation): Varyansı zamanla artan bir seri, logaritmik dönüşüm ile stabilize edilebilir.
3. Mevsimsel Ayarlama (Seasonal Adjustment): Mevsimselliği ortadan kaldırmak için seriden mevsimsel bileşenler çıkarılabilir.
4. Trend Çıkartma (Detrending): Seriden trend bileşeni çıkarılarak durağan hale getirilebilir.

Analiz ve Modelleme Yöntemleri

Durağan olmayan zaman serilerini analiz etmek ve modellemek için çeşitli yöntemler kullanılır:

1. ARIMA Modelleri (Autoregressive Integrated Moving Average): ARIMA modelleri, serinin durağan hale getirilmesi (integrasyon) ve ardından AR (otoregresif) ve MA (hareketli ortalama) bileşenlerinin modellenmesi ile ilgilidir.
2. ARCH/GARCH Modelleri (Autoregressive Conditional Heteroskedasticity/Generalized ARCH): Varyansı değişen seriler için kullanılan modellerdir.
3. Yapısal Modeller (Structural Models): Zaman serisinin farklı bileşenlerini (trend, mevsimsellik, rastgele şoklar) ayrı ayrı modellemek için kullanılır.
4. Birlikte Eşbütünleşme (Cointegration): Durağan olmayan serilerin lineer kombinasyonlarının durağan olabileceği durumlar için kullanılan yöntemdir.

Örnek

Örneğin, Türkiye’deki yıllık ihracatını düşünelim. İhracat genellikle zaman içinde trend ve mevsimsellik gösterebilir. Bu seriyi analiz etmek için:

1. Verilerin farklarını alarak trendi ortadan kaldırabiliriz.
2. Mevsimsel ayarlamalar yaparak mevsimselliği ortadan kaldırabiliriz.
3. Ortaya çıkan seriyi ARIMA modeli ile analiz edebiliriz.

Uygulama

Durağan olmayan bir zaman serisi verisini analiz etmek için kullanılabilecek adımlar şu şekildedir:

1. Veri yükleme ve görselleştirme: Zaman serisi verisini yükleyip grafiğini çizmek.
2. Durağanlık testi: Augmented Dickey-Fuller (ADF) testi gibi testlerle serinin durağan olup olmadığını kontrol etmek.
3. Fark alma veya log dönüşümü: Seriyi durağan hale getirmek için gerekli dönüşümleri uygulamak.
4. Model kurma: ARIMA, GARCH gibi uygun modelleri kurmak ve değerlendirmek.
5. Tahmin yapma: Model kullanarak gelecekteki değerleri tahmin etmek.

Veri Yükleme ve Görselleştirme

Öncelikle, zaman serisi verisini yükleyip grafiğini çizelim.

Gerekli paketleri yükleyelim

install.packages(“WDI”)

library(WDI)
library(ggplot2)
library(tseries)

Ülkelerin ISO kodlarını belirleyelim

abd_iso <- "US"
turkiye_iso <- "TR"
japonya_iso <- "JP"

İhracat verilerini çekelim

abd_export <- WDI(country = abd_iso, indicator = "NE.EXP.GNFS.CD", start = 1990, end = 2020)
turkiye_export <- WDI(country = turkiye_iso, indicator = "NE.EXP.GNFS.CD", start = 1990, end = 2020)
japonya_export <- WDI(country = japonya_iso, indicator = "NE.EXP.GNFS.CD", start = 1990, end = 2020)

Verileri birleştirelim

export_data <- data.frame(Year = abd_export$year,
                          ABD = abd_export$NE.EXP.GNFS.CD,
                          Turkiye = turkiye_export$NE.EXP.GNFS.CD,
                          Japonya = japonya_export$NE.EXP.GNFS.CD)

Veriyi görselleştirelim

ggplot(export_data, aes(x = Year)) +
  geom_line(aes(y = ABD, color = "ABD")) +
  geom_line(aes(y = Turkiye, color = "Türkiye")) +
  geom_line(aes(y = Japonya, color = "Japonya")) +
  labs(title = "İhracat Verileri",
       x = "Yıl",
       y = "İhracat (GDP'ye Oran)") +
  scale_color_manual(values = c("blue", "green", "red"),
                      labels = c("ABD", "Türkiye", "Japonya")) +
  theme_minimal()

Durağanlık testi

adf_test_abd <- adf.test(log(export_data$ABD))
adf_test_turkiye <- adf.test(log(export_data$Turkiye))
adf_test_japonya <- adf.test(log(export_data$Japonya))

adf_results <- data.frame(Ulke = c("ABD", "Turkiye", "Japonya"),
                          p_value = c(adf_test_abd$p.value, adf_test_turkiye$p.value, adf_test_japonya$p.value))
print(adf_results)

##      Ulke   p_value
## 1     ABD 0.3775092
## 2 Turkiye 0.3797031
## 3 Japonya 0.6141423