Kripto Para Piyasası ve Yatırımcı Eğilimleri Analizi
Ahmad Mustafa Hassanzada 1910504546
June 26, 2024
Abstract
Kripto para birimleri, finansal piyasalarda yükselen ve trend haline gelen önemli yatırım araçlarıdır. Yatırımcılar, şirketler, tüketiciler ve akademik çevreler tarafından yeni bir varlık sınıfı olarak kabul edilmektedir. Blok zinciri teknolojisinin ilk ürünü olan kripto paralar, teknolojinin diğer kullanım alanları ve sektörlerle birlikte popülerlik kazanmıştır. Yatırımcılar, kripto paraların otorite tarafından korunmaması, yasal düzenlemelerin eksikliği ve kaynağının belirsizliği gibi faktörlere rağmen bu piyasaya ilgi göstermektedirler. Kripto para birimlerinin hızlı gelişimi ve yaygınlaşması, davranışsal finans alanında zorluklar yaratmaktadır. Çünkü kripto para piyasası, geleneksel finans piyasalarından farklı işlemektedir ve çoğu ülkede yasal olarak tanınmamaktadır. Bu durum, yatırımcılar için riskleri artırmaktadır. Bu çalışma, kripto para piyasasındaki yatırımcıların rasyonel olmayan davranışlar sergilediğini ve davranışsal faktörlerden etkilendiklerini öne sürmektedir. Geleneksel finans teorisi, yatırımcıların rasyonel davrandığını savunurken, davranışsal finans teorisi yatırımcıların çeşitli davranışsal faktörlerden etkilendiğini iddia etmektedir. Bu çalışma, Türkiye’deki bireysel yatırımcıların kripto para piyasasındaki yatırım kararlarını nasıl aldıklarını ve hangi davranışsal faktörlerin etkisinde kaldıklarını anlamak için anketler kullanarak bir araştırma yapmıştır. Bulgular, yatırımcıların ‘aşırı iyimserlik’, ‘pişmanlıktan kaçınma’, ‘belirsizlikten kaçınma’ ve ‘sezgisel faktörler’ gibi davranışsal eğilimlerden etkilendiğini göstermektedir. Yatırımcılar, kripto para piyasasına diğer finansal piyasalardan daha iyimser yaklaşmakta ve pişmanlık ile belirsizlikten kaçınma eğilimi göstermektedirler. Kâr ettiklerinde kripto paralarını portföyden çıkaran ve zarar ettiklerinde yatırım yapmaktan kaçınan yatırımcılar, aynı zamanda önceki deneyimlerine ve sezgilere dayanarak kararlar almaktadırlar.Giriş
Kripto para birimleri, finansal piyasaların yeni gözdesi olarak yükseliyor ve dünya çapında yatırımcıların, şirketlerin, tüketicilerin ve akademisyenlerin dikkatini çekiyor. Bu dijital varlık sınıfı, blok zinciri teknolojisinin yenilikçi kullanımı sayesinde, güvenlikten bankacılığa kadar birçok alanda etkisini gösteriyor ve hatta NFT’ler gibi yeni varlık türlerinin popülerleşmesine öncülük ediyor. Yatırımcılar, kripto paraların otorite tarafından korunmaması, yasal düzenlemelerin eksikliği ve piyasanın belirsiz kökenleri gibi risklere rağmen bu piyasaya giderek daha fazla ilgi gösteriyorlar.
Teknolojinin hızlı gelişimi, sosyal medyanın güçlenmesi ve bilgi kirliliği, kripto para birimlerinin popülerliğini artırıyor. Ancak, bu hızlı yükseliş, davranışsal finans alanında yeni zorluklar yaratıyor. Kripto para piyasasının işleyişi ve mimarisi, geleneksel finansal sistemlerden temel farklılıklar gösteriyor. Türkiye’de ve dünya genelinde birçok ülkede henüz yasal bir statüye sahip olmayan kripto paralar, yatırımcılar için hem büyük fırsatlar hem de riskler barındırıyor.
Bu çalışma, kripto para piyasasındaki yatırımcıların rasyonel olmaktan ziyade davranışsal faktörlerden etkilendiğini ortaya koyuyor. Geleneksel finans teorisi ile davranışsal finans teorisi arasındaki bu çatışma, kripto para yatırımcılarının karar alma süreçlerini anlamak için önemli bir alan sunuyor. Türkiye’deki bireysel yatırımcılar üzerine yapılan bu çalışma, kripto para yatırımlarının aşırı iyimserlik, pişmanlık kaçınma, belirsizlikten kaçınma ve sezgisel faktörler gibi davranışsal eğilimlerden nasıl etkilendiğini gösteriyor.
Sonuçlar, kripto para piyasasına olan iyimser yaklaşımı, pişmanlık ve belirsizlikten kaçınma eğilimini ve önceki deneyimlere dayalı sezgisel yatırım kararlarını vurguluyor. Bu bulgular, kripto para piyasasının anlaşılması ve yatırımcı davranışlarının modellenmesi için değerli içgörüler sağlıyor. Kripto para birimlerine yönelik yatırım kararlarının arkasındaki psikolojik ve davranışsal faktörlerin daha derinlemesine incelenmesi, bu hızla gelişen ve değişen piyasanın daha iyi anlaşılmasını sağlayacaktır.
Kendir and Ateş (n.d.) Kripto Para Piyasası ve Yatırımcı Eğilimleri Analizi ile incelemiştir. R Markdown kullanımı hakkında daha fazla bilgi için http://rmarkdown.rstudio.com adresini ziyaret edebilirsiniz. İşte Xie (2013)’a zorunlu bir atıf.
Literatür Taraması
Kripto para birimleri ve davranışsal finans üzerine yapılan literatür taraması, bu alandaki mevcut araştırmaların, teorilerin, metodolojilerin ve bulguların bir özetini sunar. Aşağıda, kripto para birimleri ve davranışsal finans üzerine yapılan bazı önemli çalışmaların bir özeti yer almaktadır:
1.Aktaş, S. (2021): Gelişmekte olan ülkelerde kripto para kullanımının davranışsal finans perspektifinden analizi üzerine bir çalışma yapmıştır. Bu çalışma, Türkiye örneğinde kripto para kullanımının davranışsal faktörlerle ilişkisini inceler.
2.Almansour, B., & YA Arabyat. (2017): Körfez yatırımcıları arasında yatırım kararlarının davranışsal finans perspektifinden nasıl alındığını araştırmıştı.
3.Al-mansour, B.Y. (2020): Kripto para piyasasını davranışsal finans açısından ele alarak, yatırımcı davranışlarının bu piyasalardaki etkisini incelemiştir.
Alomari, A.S.A., & ve Abdullah, N.L. (2023): Suudi Arabistan’daki üniversite öğrencileri arasında kripto para kullanımını etkileyen faktörleri ve finansal okuryazarlığın bu süreçteki rolünü analiz etmiştir.
Aloosh, A., & Ouzan, S. (2020): Kripto para fiyatlarının psikolojisi üzerine bir çalışma yaparak, fiyat hareketlerinin altında yatan davranışsal dinamikleri ortaya koymuştur.
6.Aspembitova, A.T., Feng, L., & Chew, L.Y. (2021): Kripto para piyasasındaki kullanıcıların davranışsal yapısını analiz ederek, yatırımcı davranışlarının bu piyasalardaki etkilerini incelemiştir.
7.Atak, O., & Kutukiz, D. (2021): Bireysel yatırımcıların davranışsal finans eğilimlerini ve bu eğilimlerin yatırım tercihleri üzerindeki etkisini karşılaştırmalı olarak incelemiştir.
8.Ateş, A. (2007): Finansal yatırımların davranışsal finans açısından değerlendirilmesi üzerine bir araştırma yaparak, yatırımcıların davranışsal eğilimlerini ve bu eğilimlerin yatırım kararları üzerindeki etkisini analiz etmiştir.
Bu çalışmalar, kripto para piyasalarının ve yatırımcı davranışlarının daha iyi anlaşılmasına katkıda bulunmuş ve davranışsal finans teorisinin bu yeni varlık sınıfına uygulanabilirliğini göstermiştir. Literatür taraması, bu alandaki bilgi birikimini genişletmek ve gelecekteki araştırmalar için bir temel oluşturmak amacıyla yapılmaktadır. Kripto para birimlerine yönelik yatırım kararlarının arkasındaki psikolojik ve davranışsal faktörlerin daha derinlemesine incelenmesi, bu hızla gelişen ve değişen piyasanın daha iyi anlaşılmasını sağlayacaktır
Bence Kripto para piyasası, finansal piyasaların en yenilikçi ve dinamik segmentlerinden biri olarak öne çıkıyor. Bu piyasa, geleneksel finansal sistemlerin sınırlarını zorlayarak, merkeziyetsizlik, şeffaflık ve hızlı işlem kapasitesi gibi özellikleriyle dikkat çekiyor. Yatırımcı eğilimleri açısından bakıldığında, kripto para birimleri, özellikle genç ve teknolojiye yatkın nüfus arasında popülerlik kazanmış durumda. Ancak, bu alandaki yatırımlar yüksek volatilite, düzenleyici belirsizlikler ve piyasa manipülasyonu gibi riskleri de beraberinde getiriyor.
Davranışsal finans perspektifinden kripto para piyasasına bakıldığında, yatırımcıların karar verme süreçlerinin sıklıkla psikolojik etmenlerden etkilendiği görülüyor. Aşırı iyimserlik, pişmanlık kaçınma ve kalabalık psikolojisi gibi davranışsal eğilimler, kripto para piyasalarında sıkça rastlanan fenomenler. Bu eğilimler, yatırımcıların rasyonel olmaktan ziyade duygusal ve sezgisel kararlar almasına yol açabiliyor.
Türkiye’deki bireysel yatırımcılar açısından kripto para piyasası, hem fırsatlar hem de zorluklar sunuyor. Yatırımcılar, yüksek getiri potansiyeli nedeniyle bu piyasaya ilgi gösterirken, aynı zamanda yatırımlarını koruma konusunda da dikkatli olmak zorundalar. Türkiye’de kripto para kullanımının yasal statüsü ve düzenleyici çerçevesi henüz tam olarak netleşmemiş olup, bu da yatırımcılar için ek bir belirsizlik faktörü oluşturuyor.
Sonuç olarak, kripto para piyasası ve yatırımcı eğilimleri, finansal piyasaların geleceği açısından önemli bir alan olarak kalmaya devam edecektir. Ancak, bu piyasaya girmeyi düşünen yatırımcıların, potansiyel riskleri ve piyasanın doğasını iyi anlamaları ve buna göre bilinçli kararlar almaları gerekmektedir. Bu alanda yapılan akademik çalışmalar ve araştırmalar, yatırımcıların daha bilinçli hareket etmelerine ve piyasanın daha sağlıklı bir şekilde işlemesine katkıda bulunabilir.
Duraganlik
işsizlık Education sekmasinin altında,unemploymen,total ismiyle bulabilirsiniz ve kodu SL.UEM.TOTL.ZSNOLARAK Goreceksiniz. Enflasyon verisi Economy and Growth basliginin altinda, Inflation,consumer prices adlyla bulunabilirsiniz ve kodu FP.CPI.TOTL.ZG olarak goreceksiniz
Verilerin Hazırlanması
Makalenin analitik bölümünde kullanılacak veriler, e-ticaret satışları, perakende satışlar, tüketici davranışları ve ekonomik göstergeleri içerecektir. İlk olarak, R programında gerekli paketler yüklenir ve veriler hazırlanır.
# WDI paketini yükleyin
library(WDI)
# Türkiye için işsizlik ve enflasyon göstergelerini indirin
df <- WDI(indicator=c(un='SL.UEM.TOTL.ZS', enf='FP.CPI.TOTL.ZG'), country='TR', start=1991, end=2022)
# Veri çerçevesinin başını kontrol edin
head(df)library(dynlm)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric.IT.NET.USER.ZS. .NE.CON.PRVT.CD.
zaman_serisi <- ts(df,start = c(1991), end = c(2022),frequency = 1)library(tidyverse)zaman_serisi <- zaman_serisi[,c("un","enf")]plot(zaman_serisi[,c("un","enf")])
phillips egrisi
Duraganligan degildir
plot(zaman_serisi[,c("un")])
otokorelasyon otoregresyon
x(-1),x
korelasyon
Regrasyon x,y
issizlik icin gecikme (lag) alacagim
issizlik <- data.frame(cbind(df$un, lag(df$un, 1)))issizlik <- issizlik[2:32,]coralasyonu bulacagim
cor(issizlik$X1 , issizlik$X2)## [1] 0.8051165simdi corelasyonun 1,2,3,4,5…… baka bilirim
acf(zaman_serisi[,"un"])
1,2,3, satirden sonra kolasyon yokmus bu bulduk
acf(zaman_serisi[,"enf"])
veri setini zman serisi (time serisies) olarak kaydetmemiz gerekir. ts() fonksiyounu bize yardimci olacaktir.
library(dynlm)issizlik icin gecikme (log) alaim.
str("data")## chr "data"library("explore")Gereksiz sütunları kaldırma ve sütun adlarını değiştirm
install.packages("dplyr")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)library(dplyr)beriysel ulke secmi
turkiye <- df %>%
filter(iso3c == "TUR")Ek değişkenlerle birlikte çoklu regresyon modeli kurarak internet kullanıcı oranının, kişi başına düşen gelir ve şehirleşme oranının perakende harcamalar üzerindeki etkisini inceleyelim.
`
Araştırma Tasarımı
Kant’tan Bir Alt Bölüm, Okunmak İstemiyormuş Gibi Yazan
Başka Bir Alt Bölüm
A Simple ggplot with the mtcars Data in R
When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
summary(cars)## speed dist
## Min. : 4.0 Min. : 2.00
## 1st Qu.:12.0 1st Qu.: 26.00
## Median :15.0 Median : 36.00
## Mean :15.4 Mean : 42.98
## 3rd Qu.:19.0 3rd Qu.: 56.00
## Max. :25.0 Max. :120.00Odev
quantmod (Quantitative Financial Modelling Framework) Paketi
quantmod paketi, R programlama dili için geliştirilmiş bir finansal modelleme ve analiz kütüphanesidir. Bu paket, yatırımcılar ve veri analistleri için finansal verileri indirip analiz etmeyi ve modellemeyi kolaylaştırır. İşte quantmod paketinin bazı temel özellikleri:
Veri İndirme: Finansal verileri çeşitli kaynaklardan (örneğin, Yahoo Finance, Google Finance) kolayca indirmenizi sağlar. Veri Görselleştirme: Finansal verileri grafikler ve çizelgelerle görselleştirmenize olanak tanır. Teknik Analiz: Çeşitli teknik analiz araçları ve göstergeleri kullanarak finansal verileri analiz edebilirsiniz. Modelleme: Finansal modeller oluşturup test etmenize yardımcı olur. Zaman Serisi Analizi: Zaman serisi verilerini analiz etmek için çeşitli araçlar sunar. Bu özellikler, quantmod paketini finansal analiz ve modelleme için güçlü bir araç haline getirir. Başka bir konuda yardımcı olabilir miyim?.
Quantmod kullanımı
library(quantmod)## Loading required 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. #
## # #
## #################################################################################
## Attaching package: 'xts'## The following objects are masked from 'package:dplyr':
##
## first, last## Loading required package: TTR## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooİstediğimiz hisseyi yüklemek için getsymbols() fonksiyonunu kullanabılırz
getSymbols("MSFT", src = "yahoo")## [1] "MSFT"getSymbols("AAPL") ## [1] "AAPL"Artık microsoft’nin 3 ocak 2007 sonrası günlük verilerine sahibiz. Dataya bir göz atalım. Datanın boyutuna dim() komutuyla bakalım, ve verinin ilk 6 ve son 6 gözlemine bir göz atalım.
dim(MSFT)## [1] 4399 6dim(AAPL)## [1] 4399 6chartSeries(AAPL) 
chartSeries(MSFT) 
head(MSFT)## MSFT.Open MSFT.High MSFT.Low MSFT.Close MSFT.Volume MSFT.Adjusted
## 2007-01-03 29.91 30.25 29.40 29.86 76935100 21.35890
## 2007-01-04 29.70 29.97 29.44 29.81 45774500 21.32314
## 2007-01-05 29.63 29.75 29.45 29.64 44607200 21.20153
## 2007-01-08 29.65 30.10 29.53 29.93 50220200 21.40897
## 2007-01-09 30.00 30.18 29.73 29.96 44636600 21.43043
## 2007-01-10 29.80 29.89 29.43 29.66 55017400 21.21585head(AAPL)## AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2007-01-03 3.081786 3.092143 2.925000 2.992857 1238319600 2.530319
## 2007-01-04 3.001786 3.069643 2.993571 3.059286 847260400 2.586482
## 2007-01-05 3.063214 3.078571 3.014286 3.037500 834741600 2.568063
## 2007-01-08 3.070000 3.090357 3.045714 3.052500 797106800 2.580745
## 2007-01-09 3.087500 3.320714 3.041071 3.306071 3349298400 2.795128
## 2007-01-10 3.383929 3.492857 3.337500 3.464286 2952880000 2.928890tail (MSFT)## MSFT.Open MSFT.High MSFT.Low MSFT.Close MSFT.Volume MSFT.Adjusted
## 2024-06-17 442.59 450.94 440.72 448.37 20790000 448.37
## 2024-06-18 449.71 450.14 444.89 446.34 17112500 446.34
## 2024-06-20 446.30 446.53 441.27 445.70 19877400 445.70
## 2024-06-21 447.38 450.58 446.51 449.78 34486200 449.78
## 2024-06-24 449.80 452.75 446.41 447.67 15913700 447.67
## 2024-06-25 448.25 451.42 446.75 450.95 16413400 450.95tail (AAPL)## AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted
## 2024-06-17 213.37 218.95 212.72 216.67 93728300 216.67
## 2024-06-18 217.59 218.63 213.00 214.29 79943300 214.29
## 2024-06-20 213.93 214.24 208.85 209.68 86172500 209.68
## 2024-06-21 210.39 211.89 207.11 207.49 246421400 207.49
## 2024-06-24 207.72 212.70 206.59 208.14 80727000 208.14
## 2024-06-25 209.15 211.38 208.61 209.07 55549700 209.07Safi Yurtiçi Hasıla verisini indirmek istiyorsak. FRED, bu veri setinin sembolünü bize verir. Bu zaman serisi için sembol PPPTTLAFA618NUPN’dir.
getSymbols("PPPTTLAFA618NUPN", src = "FRED")## [1] "PPPTTLAFA618NUPN"dim(PPPTTLAFA618NUPN)## [1] 41 1
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.
plot(mtcars)
head(PPPTTLAFA618NUPN)## PPPTTLAFA618NUPN
## 1970-01-01 0.02558026
## 1971-01-01 0.02677380
## 1972-01-01 0.02287589
## 1973-01-01 0.02132080
## 1974-01-01 0.02170636
## 1975-01-01 0.02073652tail(PPPTTLAFA618NUPN)## PPPTTLAFA618NUPN
## 2005-01-01 17.08877
## 2006-01-01 18.12902
## 2007-01-01 18.82638
## 2008-01-01 18.91553
## 2009-01-01 19.09546
## 2010-01-01 23.81406chartSeries(PPPTTLAFA618NUPN)
Farketiyseniz, src kaynağınızın neresi olacağını yazabilmenizi sağlıyor.
Hiçbirşey yazmasak, sembolü Yahoo’da arayacaktır. Diyelim ki, son bir
yıl için TL USD değerini istiyoruz. getFX(““) komutunu her döviz kuru
için kullanabiliriz.Farketiyseniz, src kaynağınızın neresi olacağını
yazabilmenizi sağlıyor. Hiçbirşey yazmasak, sembolü Yahoo’da
arayacaktır. Diyelim ki, son bir yıl için TL USD değerini istiyoruz.
getFX(““) komutunu her döviz kuru için kullanabiliriz.
getFX("USD/TRY",from="2023-05-25")## Warning in doTryCatch(return(expr), name, parentenv, handler): Oanda only
## provides historical data for the past 180 days. Symbol: USD/TRY## [1] "USD/TRY"## Warning in doTryCatch(return(expr), name, parentenv, handler): Oanda only
## provides historical data for the past 180 days. Symbol: USD/TRY## [1] "USD/TRY"chartSeries(USDTRY)