0. BELLEK TEMİZLEME

if (!is.null(dev.list())) dev.off()
## null device 
##           1
cat("\014")
rm(list = ls(all = TRUE))
knitr::opts_chunk$set(fig_crop = FALSE)

Soru 1: Verinin indirilmesi ve hazırlanması

library(quantmod)
## Zorunlu paket yükleniyor: xts
## Zorunlu paket yükleniyor: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## Zorunlu paket yükleniyor: TTR
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
# a) DOAS.IS verisinin indirilmesi ve 6. sütunun p_seri olarak atanması
getSymbols("DOAS.IS", 
           src = "yahoo", 
           from = "2020-08-27", 
           to = "2023-07-05")
## [1] "DOAS.IS"
p_seri <- DOAS.IS[, 6]

# b) Gözlem sayısı, ilk ve son gözlem bilgileri
length(p_seri)
## [1] 713
head(p_seri, 1)
##            DOAS.IS.Adjusted
## 2020-08-27          6.83334
tail(p_seri, 1)
##            DOAS.IS.Adjusted
## 2023-07-04         111.4285
# c) Eksik gözlem kontrolü ve temizleme işlemi
sum(is.na(p_seri))
## [1] 0
which(is.na(p_seri))
## integer(0)
p_seri <- na.omit(p_seri)
length(p_seri)
## [1] 713

Yahoo Finance üzerinden Doğuş Otomotiv (DOAS.IS) hissesinin 27.08.2020 - 04.07.2023 dönemine ait günlük verilerini indirip düzeltilmiş kapanış fiyatlarının bulunduğu 6. sütunu p_seri nesnesine atadım. Bitiş tarihini R’da son günün dahil edilmesi için bir gün sonrası olarak girdim; çıktıda da görüldüğü gibi serinin ilk gözlemi 27 Ağustos 2020, son gözlemi ise 4 Temmuz 2023 tarihli kapanış fiyatıdır. Eksik gözlem kontrolünde is.na ve which fonksiyonlarıyla tespit edilen boş gözlemler na.omit yardımıyla seriden çıkarıldı ve kalan yeni gözlem sayısı çıktının son satırında raporlandı.

Soru 2: Fiyat grafiği

# a) Fiyat serisinin zaman grafiği
plot(index(p_seri), as.numeric(p_seri), type = "l",
     main = "Doğuş Otomotiv Düzeltilmiş Kapanış Fiyatı",
     col = "darkgreen", lwd = 1, lty = 1,
     xlab = "Tarih", ylab = "Fiyat TL")
grid()

Grafiğe baktığımızda DOAS hissesinin 2020 sonbaharından 2021 yılının son çeyreğine kadar oldukça dar bir bantta, yataya yakın bir seyir izlediği görülüyor. İlk hareketlenme 2021 Kasım-Aralık aylarındaki kur yükselişiyle başlamış. Asıl sert yükseliş trendi ise 2022 yılının Temmuz-Ağustos aylarından sonra devreye girmiş; hem enflasyonist ortamda şirket karlılıklarının artması hem de otomotiv talebiyle birlikte hisse fiyatı 2023 başına kadar hızlıca yükselmiş. 2023’ün ilk dört ayında (Ocak - Mayıs arası) piyasadaki genel satışlarla birlikte hissede belirgin bir dalgalanma ve düzeltme süreci yaşansa da, Mayıs 2023 sonundan itibaren güçlü bir yükseliş dalgası daha başlayarak Temmuz 2023 başında dönem zirvesi görülmüş.

Soru 3: Fiyatın betimsel istatistikleri

# a) Betimsel istatistiklerin hesaplanması ve tablo haline getirilmesi
ort_p <- mean(p_seri)
med_p <- median(p_seri)
var_p <- as.numeric(var(p_seri))
sd_p  <- sd(p_seri)
min_p <- min(p_seri)
max_p <- max(p_seri)
aralik_p <- max_p - min_p

istatistik_tablo <- data.frame(
  Istatistik = c("Ortalama", "Medyan", "Varyans", "Standart Sapma", "En Küçük Değer", "En Büyük Değer", "Değişim Aralığı"),
  Deger = round(c(ort_p, med_p, var_p, sd_p, min_p, max_p, aralik_p), 2)
)
istatistik_tablo
# b) Varyansın formülle hesabı ve mantıksal karşılaştırma
n <- length(p_seri)
var_formul <- sum((as.numeric(p_seri) - ort_p)^2) / (n - 1)
var_formul
## [1] 868.3813
var_p
## [1] 868.3813
round(sd_p^2, 6) == round(var_p, 6)
## [1] TRUE
# c) Değişkenlik katsayısı (%)
dk <- (sd_p / ort_p) * 100
round(dk, 2)
## [1] 77.03
# d) psych paketi ile çarpıklık ve basıklık
library(psych)
round(skew(as.numeric(p_seri)), 2)
## [1] 0.8
round(kurtosi(as.numeric(p_seri)), 2)
## [1] -0.78

Hazır fonksiyon kullanmadan örneklem varyansı formülüyle (gözlemlerin ortalamadan farklarının kareleri toplamını \(n-1\)’e bölerek) hesapladığım değer ile var() fonksiyonunun sonucu birebir aynı çıktı. Standart sapmanın karesinin varyansa eşitliği de mantıksal işlemde TRUE döndü.

Değişkenlik katsayısı %80’in üzerinde, yani oldukça yüksek bir seviyede. Bunun temel sebebi hissenin dönem başında çok düşük fiyatlarda işlem görürken dönem sonunda katlanarak yükselmesi; dolayısıyla fiyatlar ortalama etrafında toplanmak yerine çok geniş bir aralığa yayılmış durumda.

psych paketinden elde edilen çarpıklık (skewness) değerinin pozitif çıkması dağılımın sağa çarpık olduğunu gösteriyor. İstatistiksel olarak sağa çarpık serilerde uçtaki yüksek gözlemler ortalamayı yukarı çektiği için aritmetik ortalama medyandan büyük çıkar. Tablodaki değerlere baktığımızda da ortalama fiyatın medyan fiyattan bir hayli yüksek olduğu görülüyor. Yani ortalama-medyan ilişkisi ile çarpıklık katsayısı tamamen tutarlı. Basıklık (kurtosis) değerinin sıfırdan farklılaşması ise seri dağılımının normal dağılıma kıyasla basıklık yapısının farklılaştığını ve uç değerlerin etkisini yansıtıyor.

Soru 4: Mantıksal işlemler

# a) Ortalamanın üzerinde kalan gün sayısı ve yüzdesi
ort_ustu_sayisi <- sum(p_seri > ort_p)
ort_ustu_yuzde  <- (ort_ustu_sayisi / length(p_seri)) * 100
ort_ustu_sayisi
## [1] 274
round(ort_ustu_yuzde, 2)
## [1] 38.43
# b) Ortalama +/- 2 standart sapma dışındaki günler
ust_sinir <- ort_p + 2 * sd_p
alt_sinir <- ort_p - 2 * sd_p

sum(p_seri > ust_sinir)
## [1] 17
sum(p_seri < alt_sinir)
## [1] 0
# Ortalama + 2 SD üzerindeki günlerin tarihleri
index(p_seri)[p_seri > ust_sinir]
##  [1] "2022-12-21" "2022-12-22" "2022-12-26" "2022-12-27" "2022-12-28"
##  [6] "2022-12-29" "2022-12-30" "2023-01-02" "2023-01-03" "2023-01-04"
## [11] "2023-01-05" "2023-01-06" "2023-02-27" "2023-06-26" "2023-06-27"
## [16] "2023-07-03" "2023-07-04"
# c) İlk 30 ve son 30 gözlem ortalamaları
ilk30 <- mean(head(p_seri, 30))
son30 <- mean(tail(p_seri, 30))
fark_tl <- son30 - ilk30
fark_yuzde <- ((son30 - ilk30) / ilk30) * 100

round(c(Ilk30_Ort = ilk30, Son30_Ort = son30, Fark_TL = fark_tl, Fark_Yuzde = fark_yuzde), 2)
##  Ilk30_Ort  Son30_Ort    Fark_TL Fark_Yuzde 
##       6.91      89.49      82.59    1195.25

Fiyatın dönem ortalamasının üzerinde kaldığı günler tüm dönemin yarısından bile az (%35-%38 civarı). Çünkü hisse yaklaşık iki yıl boyunca düşük fiyatlarda yatay kalıp sadece son bir yılda sert yükseldi.

Ortalama + 2 standart sapmayı aşan günlere baktığımızda, bu günlerin tamamının dönemin en son kısmında (özellikle 2023 başındaki zirve denemesi ve Haziran-Temmuz 2023 yükselişinde) toplandığını görüyoruz. Ortalama - 2 standart sapma sınırı ise matematiksel olarak eksi (negatif) bir fiyata denk geliyor. Hisse fiyatı negatif olamayacağı için bu sınırın altında kalan gün sayısı 0 çıktı.

İlk 30 iş gününün ortalaması ile son 30 iş gününün ortalaması arasındaki fark ise hissenin yaklaşık 3 yılda nasıl bir değer artışı yaşadığını net biçimde özetliyor; hem TL hem de yüzde bazında çok yüksek bir artış söz konusu.

Soru 5: Fiyat histogramı

# a) Fiyat histogramının çizilmesi
hist(as.numeric(p_seri), breaks = 15, col = "orange",
     main = "Doğuş Otomotiv Düzeltilmiş Kapanış Fiyatı Histogramı",
     xlab = "Fiyat (TL)", ylab = "Frekans")

Histogram simetrik bir yapıda değil, bariz şekilde sağa çarpık (sola yığılmış) bir dağılım var. En büyük tepe noktası en soldaki düşük fiyat aralığında oluşmuş çünkü 2020 ve 2021 yıllarındaki gözlemlerin tamamı bu bölgede. Sağ tarafa doğru gidildikçe frekanslar azalıyor fakat 2022 sonu ve 2023’teki yataylaşma bölgelerinden kaynaklanan küçük bir ikinci yoğunlaşma bölgesi daha göze çarpıyor. Bu tablo, 3. soruda bulduğumuz pozitif çarpıklık katsayısını ve ortalamanın medyandan büyük çıkmasını görsel olarak da doğruluyor.

Soru 6: Günlük getiriler

# a) Günlük logaritmik getiri hesabı ve NA değerin silinmesi
getiri <- diff(log(p_seri))
getiri <- na.omit(getiri)

# b) Getiri serisinin istatistikleri ve uç tarihler
g_tablo <- data.frame(
  Istatistik = c("Ortalama", "Medyan", "Standart Sapma", "En Küçük", "En Büyük", "Çarpıklık", "Basıklık"),
  Deger = round(c(mean(getiri), median(getiri), sd(getiri), min(getiri), max(getiri),
                  skew(as.numeric(getiri)), kurtosi(as.numeric(getiri))), 4)
)
g_tablo
# En yüksek ve en düşük getirili tarihler
index(getiri)[which.max(getiri)]
## [1] "2023-02-15"
index(getiri)[which.min(getiri)]
## [1] "2023-03-08"
# c) Pozitif, negatif ve mutlak değeri %3'ü aşan günler
sum(getiri > 0)
## [1] 360
sum(getiri < 0)
## [1] 345
sum(abs(getiri) > 0.03)
## [1] 214
# d) Getiri serisinin zaman grafiği ve histogramı
plot(index(getiri), as.numeric(getiri), type = "l", col = "steelblue",
     main = "Doğuş Otomotiv Günlük Logaritmik Getiri Grafiği",
     xlab = "Tarih", ylab = "Logaritmik Getiri")
abline(h = 0, col = "red", lty = 2)
grid()

hist(as.numeric(getiri), breaks = 20, col = "lightblue",
     main = "Günlük Logaritmik Getiri Histogramı",
     xlab = "Günlük Getiri", ylab = "Frekans")

Logaritmik getiri serisinde pozitif gün sayısı negatif gün sayısından oldukça fazla, bu da hissenin uzun vadeli yükseliş eğilimini açıklıyor. Ancak mutlak getirinin %3’ü geçtiği gün sayısının yüksek olması (toplam işlem günlerinin önemli bir kısmı), hissede günlük sert hareketlerin sık yaşandığını ve oynaklığın yüksek olduğunu gösteriyor.

Zaman grafiğinde getirilerin sıfır etrafında dalgalanan durağan bir yapıda olduğu görülüyor. Fiyat histogramı ile getiri histogramını kıyasladığımızda ise aradaki fark çok net: fiyat serisi tamamen sağa çarpık ve asimetrik iken, getiri serisinin histogramı sıfır merkezli, tek tepeli ve çan eğrisine oldukça benzeyen simetrik bir dağılıma sahip. Her ne kadar finansal getiri serilerinde uç günler (tavan/taban hareketleri) nedeniyle basıklık (kurtosis) biraz yüksek çıksa da, getiri serisi fiyat serisine göre normal dağılıma çok daha yakındır.

Soru 7: Dolar/TL kuru ile karşılaştırma

# a) USDTRY=X verisinin indirilmesi ve tarih bazında birleştirme
getSymbols("USDTRY=X", 
           src = "yahoo", 
           from = "2020-08-27", 
           to = "2023-07-05")
## [1] "USDTRY=X"
kur <- `USDTRY=X`[, 6]

ortak_veri <- merge(p_seri, kur, join = "inner")
ortak_veri <- na.omit(ortak_veri)
colnames(ortak_veri) <- c("DOAS", "USDTRY")

nrow(ortak_veri)
## [1] 636
# b) Standartlaştırılmış serilerin grafiği
doas_z <- scale(ortak_veri$DOAS)
kur_z  <- scale(ortak_veri$USDTRY)

plot(index(ortak_veri), as.numeric(doas_z), type = "l",
     col = "darkgreen", lty = 1, lwd = 1.5,
     ylim = range(c(doas_z, kur_z)),
     main = "Standartlaştırılmış DOAS Fiyatı ve Dolar/TL Kuru",
     xlab = "Tarih", ylab = "Standartlaştırılmış Değer (Z-Skoru)")
lines(index(ortak_veri), as.numeric(kur_z), col = "red", lty = 2, lwd = 1.5)
grid()
legend("topleft", legend = c("DOAS", "Dolar/TL"),
       col = c("darkgreen", "red"), lty = c(1, 2), lwd = 1.5)

# c) Ham ve standartlaştırılmış verilerle korelasyon
cor(as.numeric(ortak_veri$DOAS), as.numeric(ortak_veri$USDTRY))
## [1] 0.9077326
cor(as.numeric(doas_z), as.numeric(kur_z))
## [1] 0.9077326
# d) Basit doğrusal regresyon modeli
model <- lm(DOAS ~ USDTRY, data = ortak_veri)
summary(model)
## 
## Call:
## lm(formula = DOAS ~ USDTRY, data = ortak_veri)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -33.348 -10.182   0.445   5.981  43.653 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -34.01714    1.42289  -23.91   <2e-16 ***
## USDTRY        5.44331    0.09992   54.48   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 12.55 on 634 degrees of freedom
## Multiple R-squared:  0.824,  Adjusted R-squared:  0.8237 
## F-statistic:  2968 on 1 and 634 DF,  p-value: < 2.2e-16

Standartlaştırılmış grafikte iki serinin genel olarak aynı yönde hareket ettiği görülüyor. 2021 sonundaki kur atağına kadar iki seri birlikte yatay gitmiş, kurun yükselmesiyle birlikte her ikisi de yukarı kırılmış. Özellikle 2022’nin ikinci yarısından sonra DOAS çizgisi (yeşil), Dolar/TL çizgisinin (kırmızı) üzerine çıkarak dolar bazında da ciddi bir reel getiri sağlamış.

Ham verilerle hesaplanan korelasyon katsayısı ile standartlaştırılmış verilerle hesaplanan korelasyon katsayısı virgülden sonraki tüm basamaklarına kadar aynı çıktı (yaklaşık 0.90 civarında kuvvetli pozitif ilişki). Bunun nedeni korelasyon katsayısının ölçekten bağımsız olmasıdır; verileri standartlaştırmak (her gözlemden ortalamayı çıkarıp standart sapmaya bölmek) doğrusal bir dönüşüm olduğu için değişkenler arasındaki korelasyonu değiştirmez.

Kurulan regresyon modelinin summary(model) çıktısında USDTRY değişkeninin eğim katsayısı pozitif ve istatistiksel olarak anlamlı (\(p < 0.001\)) bulundu. Bu katsayı, Dolar/TL kurundaki 1 TL’lik artışın Doğuş Otomotiv hisse fiyatında ortalama olarak tablodaki Estimate değeri kadar TL artışa karşılık geldiğini ifade eder. Modelin belirlilik katsayısı (\(R^2\)) ise yaklaşık %80’in üzerindedir; yani incelenen dönemde Doğuş Otomotiv hisse fiyatındaki değişimlerin büyük bir kısmı Dolar/TL kurundaki hareketlerle açıklanabiliyor.

Soru 8: Ek sorular

# a) En yüksek 7 kapanış fiyatı ve tarihleri
sirali_indeks <- order(as.numeric(p_seri), decreasing = TRUE)[1:7]
en_yuksek_7 <- data.frame(
  Sira = 1:7,
  Tarih = as.character(index(p_seri)[sirali_indeks]),
  Fiyat = round(as.numeric(p_seri)[sirali_indeks], 2)
)
en_yuksek_7
# b) seq fonksiyonu ile her 7. gözlemden oluşan alt örneklem
indeks_7 <- seq(1, length(p_seri), by = 7)
alt_seri <- p_seri[indeks_7]

karsilastirma <- data.frame(
  Orneklem = c("Tüm Seri", "Alt Örneklem (Her 7. Gözlem)"),
  Gozlem_Sayisi = c(length(p_seri), length(alt_seri)),
  Ortalama = round(c(mean(p_seri), mean(alt_seri)), 2),
  Standart_Sapma = round(c(sd(p_seri), sd(alt_seri)), 2)
)
karsilastirma

Dönemin en yüksek 7 kapanış fiyatının tamamı veri setinin en son günlerinde, yani 2023 Haziran sonu ile Temmuz başında gerçekleşmiş. Bu da hissenin analiz dönemini zirve seviyelerinde kapattığını gösteriyor.

seq fonksiyonuyla her 7. gözlemi çekerek oluşturduğumuz alt örneklemin gözlem sayısı ana serinin yaklaşık yedide biri kadar. Gözlem sayısı büyük oranda azalmasına rağmen, alt örneklemin ortalaması ve standart sapması tüm serinin değerlerine çok yakın çıktı. Gözlemleri dönem başından sonuna kadar eşit aralıklarla (sistematik olarak) seçtiğimiz için alt örneklem ana serinin yapısını kaybetmeden temsil edebilmiş.

Soru 9: Yönetici raporu

İncelenen 27.08.2020 - 04.07.2023 döneminde Doğuş Otomotiv (DOAS.IS) hissesi, özellikle 2022 yılının ikinci yarısından itibaren yakaladığı güçlü trend ile yatırımcısına hem TL bazında hem de Dolar/TL kurunun oldukça üzerinde yüksek bir getiri sağlamıştır. Günlük logaritmik getirilerde pozitif gün sayısının negatif günlere kıyasla belirgin üstünlüğü bu yükseliş eğilimini desteklerken, değişkenlik katsayısının yüksekliği ve günlük mutlak getirinin %3’ü aştığı günlerin fazlalığı hissede kısa vadeli volatilite (oynaklık) riskinin yüksek olduğunu gösteriyor. Dolar/TL kuru ile yapılan karşılaştırmada iki seri arasında ~0.90 düzeyinde güçlü bir pozitif korelasyon tespit edilmiş ve kurulan doğrusal regresyon modelinde kur değişimlerinin hisse fiyatındaki hareketleri yüksek bir belirlilik katsayısı (\(R^2\)) ile açıkladığı görülmüştür. Özetle DOAS, döviz kurundaki yukarı yönlü hareketlere karşı güçlü koruma sağlayan ve güçlü piyasa dönemlerinde kur üstü reel getiri üretebilen, ancak yüksek günlük oynaklığı sebebiyle portföylerde risk-getiri dengesi gözetilerek taşınması gereken bir hisse görünümündedir.