Enflasyon, tüketici fiyatları ve orta ile yüksek teknolojili üretim katma değeri arasındaki analiz
ISMAEL SEID MOUSSA
KARABUK UNIVERSITESI- =.95
abstract:Çalışma, fiyatlar genel düzeyi ile fiyatları etkileyen temel ekonomik göstergeler arasındaki ilişkiyi incelemeyi amaçlamaktadır. Enflasyon düzeyindeki değişiklik. Bu amaçla çalışmada 32 ülkenin 2000-2020 dönemine ait verileri incelenmektedir. Dünya Bankası gelir sınıflandırmasına göre orta gelir grubu. Çalışmada enflasyon oranı, ekonomik durum gibi değişkenler büyüme oranı, faiz oranı, kamu cari açık dengesi, kişi başına düşen gelir, toplam mal ve hizmet ithalatı, parasal genişleme, sabit sermaye tüketim miktarı, tarım sektörü katma değeri ve sanayi sektörü katma değeridir. kullanılmış. Araştırmada kullanılan ekonomik göstergelerin enflasyon üzerindeki etkisini ölçmek amacıyla panel veri analizi yöntemi kullanılmıştır. Binaen Araştırma sonuçlarına göre tarım sektörü katma değeri dışındaki diğer tüm değişkenler anlamlıdır. Arasında değişkenlerden ekonomik büyüme, faiz oranı ve sanayi sektörü katma değeri değişkenlerinin enflasyonla anlamlı ve negatif bir ilişki bulunmaktadır. Kamu cari açık dengesi değişkenleri, kişi başına gelir, toplam mal ve hizmet ithalatının, parasal genişlemenin ve sabit sermaye tüketim miktarının önemli bir etkiye sahip olduğu tespit edilmiştir. enflasyonla pozitif bir ilişki vardır.
OZET
Enflasyon ve tüketici fiyatları, bir ekonominin istikrarını ve sağlığını değerlendirmek için kritik öneme sahip göstergelerdir. Enflasyon, genel olarak mal ve hizmetlerin fiyatlarının artışını ifade eder ve tüketici fiyatları endeksi (TÜFE) gibi araçlarla ölçülür. Orta ve yüksek teknolojili ürünlerin üretim katma değeri ise ekonominin teknolojik gelişim seviyesini ve rekabet gücünü yansıtır. Yüksek teknolojili ürünlerin üretimindeki artış, genellikle ekonomik büyümeyi desteklerken, enflasyonla birlikte değerlendirildiğinde ekonominin dengesini ve sağlığını daha kapsamlı bir şekilde anlamamıza yardımcı olabilir. Bu nedenle, enflasyon ve tüketici fiyatları ile orta ve yüksek teknolojili üretim katma değeri arasındaki ilişkiyi analiz etmek, bir ekonominin performansını anlamak için önemlidir.
GIRIS
Enflasyon ve tüketici fiyatları, bir ekonominin sağlığını ve yönetimini değerlendirmek için önemli göstergelerdir. Enflasyon, genel olarak mal ve hizmetlerin fiyatlarının artışını ifade ederken, tüketici fiyatları endeksi (TÜFE) ise tipik olarak bir ekonomideki enflasyonu ölçmek için kullanılan bir araçtır. Orta ve yüksek teknolojili ürünlerin üretim katma değeri ise ekonominin teknolojik gelişim seviyesini, inovasyon kabiliyetini ve rekabet gücünü yansıtır. Bu tür ürünlerin üretim katma değeri yüksek olduğunda, genellikle daha fazla değer yaratılır ve ekonomik büyüme artar. “Enflasyon ve tüketici fiyatları, bir ekonominin sağlığını değerlendirmek için kritik öneme sahip temel göstergelerdir. Enflasyon, genel olarak mal ve hizmetlerin fiyatlarının artışını ifade ederken, tüketici fiyatları endeksi (TÜFE) genellikle bu artışı ölçmek için kullanılan bir araçtır. Diğer yandan, bir ekonominin teknolojik gelişim seviyesi ve rekabet gücü, orta ve yüksek teknolojili üretim katma değeri ile ölçülebilir. Yüksek teknolojili ürünlerin üretiminde katma değer arttıkça, genellikle daha fazla değer yaratılır ve ekonomik büyüme desteklenir. Bu nedenle, enflasyon ve teknolojiyle ilişkili üretim katma değeri, bir ekonominin performansını anlamak için birlikte değerlendirilmelidir.” Bu giriş, daha derinlemesine bir analiz için bir temel oluşturabilir ve enflasyon ile teknoloji arasındaki ilişkiyi anlamak için bir çerçeve sunabilir.
Literature
Enflasyon, tuketici fayatlari ile orta ve yuksek teknolojili uretim katma degeri anazlizi. For more details on using R Markdown see http://rmarkdown.rstudio.com. Here’s an obligatory citation to @xie2013ddrk.
@turkouglu2023orta Enflasyon, tüketici fiyatları ve orta ile yüksek teknolojili üretim katma değeri, bir ekonominin sağlığını ve performansını değerlendirmek için önemli göstergelerdir. Enflasyon, genel olarak mal ve hizmetlerin fiyatlarının artışını ifade eder ve genellikle tüketici fiyatları endeksi (TÜFE) gibi göstergelerle ölçülür. Tüketici fiyatları, halkın genel olarak mal ve hizmetlere erişimini ve yaşam standartlarını belirleyen bir faktördür.
Diğer yandan, orta ve yüksek teknolojili üretim katma değeri, bir ekonominin teknolojik gelişim seviyesini ve rekabet gücünü yansıtır. Yüksek teknolojili ürünlerin üretiminde katma değerin artması, genellikle ekonomik büyümeyi ve istihdamı artırır. Bu tür ürünler, genellikle daha fazla değer yaratır ve ihracat gelirlerini artırabilir. Analiz yapılırken, enflasyonun kontrol altında tutulması ve tüketici fiyatlarının istikrarlı bir şekilde seyretmesi önemlidir. Ayrıca, orta ve yüksek teknolojili üretimdeki artışın, ekonominin rekabet gücünü artırması ve sürdürülebilir büyümeyi desteklemesi gerekmektedir. Bu bağlamda, enflasyon ve tüketici fiyatları ile teknolojiye dayalı üretim katma değeri arasındaki ilişkiyi izlemek ve dengelemek, ekonominin sağlıklı bir şekilde büyümesini ve istikrarını sağlamak için önemlidir.
Bu çalışmada, Türkiye imalat sanayindeki yüksek ve orta-yüksek teknoloji alanında yer alan sektörler belirlenen göstergeler açısından önceliklendirilmiştir. Bu önceliklendirmenin amacı, politika yapıcılara hangi sektörlerin öncelikli olarak desteklenmesi konusunda yol gösterici olabilmektir. Bu amaçla, birden fazla değişkenin bir arada değerlendirilmesine olanak veren Çok Kriterli Karar Verme yöntemlerinden biri olan Gri İlişkisel Analiz (GİA) Yöntemi kullanılmıştır. GİA, gri teorinin dallarından biridir ve Deng (1982) tarafından ortaya atılmıştır. GİA Yönteminin faydası yetersiz ve zayıf bilgi içeren yüksek miktardaki ham veriye karşı duyarsızlığı ve yansız tahminler gerçekleştirebilmesidir (Wu vd., 2018). Önceliklendirmede kullanılan kriterlerin ağırlıklandırılmasında ise Analitik Hiyerarşi Prosesi (AHP) Yönteminden faydalanılmıştır. AHP Yöntemi Saaty (1990) tarafından geliştirilmiş ve karar vermede sübjektif yargıları içeren çok kriterli karar verme yöntemidir. Bu çalışmada gerçekleştirilen analizlerde ilk olarak yüksek ve orta-yüksek teknoloji alanında yer alan 36 sektörün öncelik sırası belirlenmiş daha sonra yüksek teknoloji alanında yer alan 11 sektör ve orta-yüksek teknoloji alanında yer alan 25 sektör kendi içerisinde ayrı ayrı önceliklendirilmiştir.
@benli2024petrol Küreselleşme sürecinin derinleşmesiyle birlikte enerji talebinin sürekli olarak artması ve enerji kaynaklarının dramatik bir şekilde tükenmesinin yarattığı enerji güvenliğine dair endişeler, petrol fiyatlarının enflasyona yansımasına ilişkin özellikle son yıllarda çok fazla sayıda çalışmanın ortaya çıkmasına zemin hazırlamıştır. Nitekim ABD Enerji Bilgi İdaresi (EIA), ilgili politikalar veya teknolojilerde önemli değişiklikler söz konusu olmadığı sürece, 2020 - 2050 döneminde dünya enerji tüketiminin yaklaşık %50 artacağını öngörmektedir. Uluslararası Enerji Görünümü (2021) raporunda EIA, pandemiye ilişkin daralma ve uzun vadeli enerji verimlilik iyileştirmelerine rağmen, özellikle Asya’daki gelişmekte olan ekonomilerde güçlü ekonomik büyümenin enerji tüketimindeki küresel artışları sürükleyeceğini tahmin etmektedir.
-https://data.worldbank.org/indicator/FP.CPI.TOTL.ZG?view=chart(enflasyon, tüketici fiyatları) -https://data.worldbank.org/indicator/NV.MNF.TECH.ZS.UN?view=chart(orta ve yüksek teknolojili üretim katma değeri)
library(WDI)library(stevemisc)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ lubridate::dst() masks stevemisc::dst()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::tbl_df() masks stevemisc::tbl_df()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsdf = WDI(indicator=c(EF="FP.CPI.TOTL.ZG" , UK="NV.MNF.TECH.ZS.UN" ), country =c("TR"), start = 1990, end = 2021) library(dynlm)zs <- ts(df, start = c(1990), end = c(2021), frequency = 1)zs <- zs[ , c("EF", "UK")]library(tidyverse)Bu komut, R programlama dilinde bir plot (grafik) çizme işlemidir.
zs veri çerçevesindeki (“zs” adında bir veri çerçevesi
olduğunu varsayıyorum) belirli sütunları (“EF” ve “UK”) kullanarak bir
grafik çizilmesini sağlar.
plot(zs[ , c("EF", "UK")])
Enflasyon <- data.frame(cbind(df$EF, lag(df$EF, 1))) Enflasyon <- Enflasyon[6:62,]cor(Enflasyon$X1,Enflasyon $X2)## [1] NABu komut R programlama dilinde “autocorrelation function”
(otokorelasyon fonksiyonu) hesaplamak için kullanılır. Özellikle,
zs veri çerçevesindeki “EF” sütununun otokorelasyonunu
hesaplamak için kullanılır. Otokorelasyon, bir zaman serisindeki ardışık
gözlemler arasındaki ilişkiyi inceleyen bir istatistiksel kavramdır.
acf(zs[,"EF"])
acf(zs[,"UK"])
ekoür <- zs[,"UK"]
deltaenflasyon <- diff(zs[,"EF"])plot(ekoür)
plot(deltaenflasyon)
reg <- dynlm(ekoür~deltaenflasyon)
summary(reg)##
## Time series regression with "ts" data:
## Start = 1991, End = 2021
##
## Call:
## dynlm(formula = ekoür ~ deltaenflasyon)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3892 -1.9496 0.3291 0.8073 7.3422
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 29.46041 0.51789 56.885 <2e-16 ***
## deltaenflasyon 0.02198 0.04946 0.444 0.66
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.861 on 29 degrees of freedom
## Multiple R-squared: 0.006761, Adjusted R-squared: -0.02749
## F-statistic: 0.1974 on 1 and 29 DF, p-value: 0.6601hapa <- resid(reg)
plot(hapa)
acf(hapa)
library(lmtest)
bgtest(reg, order=1, type="F")##
## Breusch-Godfrey test for serial correlation of order up to 1
##
## data: reg
## LM test = 81.934, df1 = 1, df2 = 28, p-value = 8.277e-10pacf(zs[,"EF"])
pacf(zs[,"UK"])
library(lmtest)
bgtest(reg, order=1, type="F")##
## Breusch-Godfrey test for serial correlation of order up to 1
##
## data: reg
## LM test = 81.934, df1 = 1, df2 = 28, p-value = 8.277e-10pacf(zs[,"EF"])
pacf(zs[,"UK"])
library(dynlm)
Ilkgecikme <- dynlm(ekoür ~ L(ekoür, 1))
summary(Ilkgecikme)##
## Time series regression with "ts" data:
## Start = 1991, End = 2021
##
## Call:
## dynlm(formula = ekoür ~ L(ekoür, 1))
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.9101 -0.5838 -0.0031 0.4555 3.9068
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.35204 2.85538 1.174 0.25
## L(ekoür, 1) 0.89394 0.09747 9.172 4.52e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.453 on 29 degrees of freedom
## Multiple R-squared: 0.7436, Adjusted R-squared: 0.7348
## F-statistic: 84.12 on 1 and 29 DF, p-value: 4.517e-10library(dynlm)
ikigecikme <- dynlm(ekoür ~ L(ekoür, 2))
summary(ikigecikme)##
## Time series regression with "ts" data:
## Start = 1992, End = 2021
##
## Call:
## dynlm(formula = ekoür ~ L(ekoür, 2))
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.2771 -1.1334 -0.5240 0.5212 4.7156
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.2091 4.6266 1.126 0.27
## L(ekoür, 2) 0.8406 0.1595 5.272 1.32e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.037 on 28 degrees of freedom
## Multiple R-squared: 0.4981, Adjusted R-squared: 0.4802
## F-statistic: 27.79 on 1 and 28 DF, p-value: 1.319e-05library(dynlm)
üçgecikme <- dynlm(ekoür ~ L(ekoür, 3))
summary(üçgecikme)##
## Time series regression with "ts" data:
## Start = 1993, End = 2021
##
## Call:
## dynlm(formula = ekoür ~ L(ekoür, 3))
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.7545 -1.0724 -0.7796 0.7251 5.1978
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.3273 5.9767 0.557 0.582307
## L(ekoür, 3) 0.9154 0.2079 4.404 0.000151 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.217 on 27 degrees of freedom
## Multiple R-squared: 0.418, Adjusted R-squared: 0.3964
## F-statistic: 19.39 on 1 and 27 DF, p-value: 0.0001511library(dynlm)
bütgecikme <- dynlm(ekoür ~ L(ekoür, c(1:10)))
summary(bütgecikme)##
## Time series regression with "ts" data:
## Start = 2000, End = 2021
##
## Call:
## dynlm(formula = ekoür ~ L(ekoür, c(1:10)))
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.24299 -0.39574 0.06675 0.79811 1.53254
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.94390 6.71102 -0.141 0.89069
## L(ekoür, c(1:10))1 1.35842 0.30669 4.429 0.00101 **
## L(ekoür, c(1:10))2 -1.16961 0.45455 -2.573 0.02590 *
## L(ekoür, c(1:10))3 1.16602 0.44802 2.603 0.02458 *
## L(ekoür, c(1:10))4 -0.86346 0.48244 -1.790 0.10103
## L(ekoür, c(1:10))5 0.48242 0.45692 1.056 0.31369
## L(ekoür, c(1:10))6 -0.22074 0.40600 -0.544 0.59750
## L(ekoür, c(1:10))7 -0.04373 0.38417 -0.114 0.91143
## L(ekoür, c(1:10))8 0.12910 0.35704 0.362 0.72451
## L(ekoür, c(1:10))9 -0.03972 0.35510 -0.112 0.91295
## L(ekoür, c(1:10))10 0.25454 0.29224 0.871 0.40237
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.481 on 11 degrees of freedom
## Multiple R-squared: 0.8493, Adjusted R-squared: 0.7123
## F-statistic: 6.199 on 10 and 11 DF, p-value: 0.002878library(tseries)adf.test(ekoür)##
## Augmented Dickey-Fuller Test
##
## data: ekoür
## Dickey-Fuller = -2.6541, Lag order = 3, p-value = 0.3205
## alternative hypothesis: stationary## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): famille de
## police introuvable dans la base de données des polices Windows
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): famille de
## police introuvable dans la base de données des polices Windows
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): famille de
## police introuvable dans la base de données des polices Windows## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## famille de police introuvable dans la base de données des polices Windows
A Simple ggplot with the mtcars Data in R
Conclusion
Enflasyon, tüketici fiyatları ve orta ile yüksek teknolojili üretim katma değeri arasındaki analiz, bir ekonominin sağlığı ve performansını anlamak için önemli bir araçtır. Enflasyonun kontrol altında olması ve tüketici fiyatlarının istikrarlı bir şekilde seyretmesi, ekonominin istikrarını ve güvenini yansıtır. Aynı zamanda, orta ve yüksek teknolojili üretimde artış göstermek, ekonominin rekabet gücünü ve inovasyon kabiliyetini artırabilir. Bu durum genellikle ekonomik büyümeyi teşvik eder ve işsizlik oranlarını azaltır. Ancak, enflasyonun kontrolsüz bir şekilde artması, tüketici güvenini sarsabilir ve ekonomik belirsizliğe neden olabilir. Bu nedenle, enflasyon ve tüketici fiyatları ile teknolojiye dayalı üretim katma değeri arasındaki ilişkiyi izlemek ve dengelemek, ekonominin sürdürülebilir büyüme ve istikrarını sağlamak için kritik öneme sahiptir. Enflasyon sadece düşük ve orta gelir grubu ülkelerine ait bir problem olmayıp günümüzde özellikle covid -19 pandemisinin etkisi ile gelişmiş ülkelerinde en temel ekonomik problemi olmuştur. Ülkelerin benimsediği politikalar ve ekonomik göstergelerdeki değişimler ülke düzeyinde enflasyon düzeyinde olumlu ya da olumsuz etki yapmaktadır. Çalışmada orta gelir grubunda yer alan ülkelerin enflasyonu üzerinde geliştirilen modelde değişkenler içerisinde tarım sektörü katma değeri hariç diğer tüm değişkenlerle anlamlı ilişki seviyesi belirlenmiştir. Değişkenler içerisinde ekonomik büyüme, faiz oranı ve sanayi sektörü katma değeri değişkenlerinin enflasyon ile ters yönlü bir ilişki içerisinde olduğu ve enflasyonu azaltıcı etkisi olduğu görülmektedir. Kamu cari açık dengesi, kişi başı gelir, mal ve hizmet ithalatı toplamı, parasal genişleme ve sabit sermaye tüketim miktarı değişkenlerinin ise enflasyon ile pozitif ilişkisi olduğu ve enflasyonu artırıcı etkileri tespit edilmiştir. Ekonomik büyüme ve enflasyon arasındaki ters yönlü sonuçlar, Özcan (2014) tarafından yapılan çalışmadaki ekonomik büyümenin enflasyon oranlarında düşmeye yol açtığını gösteren sonuç ile benzerlik göstermektedir. Ayrıca sonuçlar, Özcan (2014) tarafından yapılan çalışmadaki aşırı para arzındaki artışların enflasyonun hızlanmasına yol açtığına dair sonucu da desteklemektedir. Ayrıca Kaya ve Öz (2016) tarafından yapılan çalışmadaki para arzı ve enflasyon arasında olumlu bir ilişkinin olduğuna dair sonuç ile benzerlik göstermektedir. Çalışma sonuçları, Odabaşıoğlu ve Aydın (2020) tarafından ortaya konan para arzı ile enflasyona dair olumsuz yönlü ilişkiden farklı olarak olumlu bir ilişkinin varlığına dair kanıtlar sunmaktadır.
Ödev:Quantmod Paketi
library(quantmod)## Le chargement a nécessité le package : xts##
## ######################### Warning from 'xts' package ##########################
## # #
## # The dplyr lag() function breaks how base R's lag() function is supposed to #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or #
## # source() into this session won't work correctly. #
## # #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop #
## # dplyr from breaking base R's lag() function. #
## # #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning. #
## # #
## #################################################################################
## Attachement du package : 'xts'## Les objets suivants sont masqués depuis 'package:dplyr':
##
## first, last## Le chargement a nécessité le package : TTRgetSymbols("AMZN", src = "yahoo")## [1] "AMZN"dim(AMZN)## [1] 4388 6head(AMZN)## AMZN.Open AMZN.High AMZN.Low AMZN.Close AMZN.Volume AMZN.Adjusted
## 2007-01-03 1.9340 1.9530 1.9025 1.9350 248102000 1.9350
## 2007-01-04 1.9295 1.9570 1.9130 1.9450 126368000 1.9450
## 2007-01-05 1.9360 1.9395 1.8800 1.9185 132394000 1.9185
## 2007-01-08 1.9110 1.9155 1.8585 1.8750 135660000 1.8750
## 2007-01-09 1.8800 1.9030 1.8670 1.8890 114060000 1.8890
## 2007-01-10 1.8745 1.8850 1.8535 1.8575 130550000 1.8575tail(AMZN)## AMZN.Open AMZN.High AMZN.Low AMZN.Close AMZN.Volume AMZN.Adjusted
## 2024-05-31 178.30 179.21 173.87 176.44 58903900 176.44
## 2024-06-03 177.70 178.70 175.92 178.34 30786600 178.34
## 2024-06-04 177.64 179.82 176.44 179.34 27198400 179.34
## 2024-06-05 180.10 181.50 178.75 181.28 32116400 181.28
## 2024-06-06 181.75 185.00 181.49 185.00 31371200 185.00
## 2024-06-07 184.90 186.29 183.36 184.30 27977300 184.30Bu komut, R programlama dili içinde bulunan ve finansal zaman serilerini görselleştirmek için kullanılan quantmod paketinin bir fonksiyonudur. Bu komut, “AMZN” sembolüyle temsil edilen Amazon şirketinin hisse senedi fiyatlarını çizmek için kullanılır.
chartSeries(AMZN)
Bu komut hala R programlama dili içinde bulunan ve finansal zaman
serilerini görselleştirmek için kullanılan quantmod paketinin bir
fonksiyonudur. Ancak, bu sefer theme="white" parametresi
eklenmiştir.Bu parametre, chartSeries() fonksiyonunun
görünümünü ayarlamak için kullanılır. “white” teması, grafikte
kullanılan arka planın beyaz olarak ayarlanmasını sağlar. Bu, grafik
üzerindeki fiyat hareketlerini daha iyi vurgular ve daha belirgin hale
getirir.
chartSeries(AMZN, theme="white")
getSymbols("STICKCPIM157SFRBATL" , src="FRED")## [1] "STICKCPIM157SFRBATL"chartSeries(STICKCPIM157SFRBATL ,theme="white")
getFX("EUR/TRY", from = "2020-01-01")## Warning in doTryCatch(return(expr), name, parentenv, handler): Oanda only
## provides historical data for the past 180 days. Symbol: EUR/TRY## [1] "EUR/TRY"chartSeries(EURTRY, theme="white")