Finansal Baskı Endeksi ve Türkiye Uygulaması [R]

Literatürde, kriz dönemlerinin öncü göstergelerini belirleyen ve kriz öngörüleri yapan çalışmalar bulunmaktadır. Tabi tüm bunların öncesinde ise kriz dönemlerinin belirlenmesi gerekmektedir. Bunun için yaygın olarak endeksler kullanılmaktadır. Biz burada şu kaynaktan yararlanarak Finansal Baskı Endeksi’ni oluşturacağız. Bu endeks, Spekülatif Baskı ve Döviz Piyasası Baskı Endeksi olarak da geçmektedir.

Öncü Göstergeler Yaklaşımına Göre Finansal Krizler ve Türkiye Örneği; Sevim, C.

Şöyle formüle edilebilir:

FBE_t = \frac{(\frac{e_t - \mu_e}{\sigma_e}) + (\frac{r_t - \mu_r}{\sigma_r}) + (\frac{i_t - \mu_i}{\sigma_i})}{3}

e_t dolar kurundaki yüzde değişimi ifade etmektedir ve \frac{E_t - E_{t-1}}{E_{t-1}} olarak hesaplanmaktadır.

r_t Merkez Bankası brüt döviz rezervlerindeki yüzde değişimi ifade etmektedir ve \frac{R_t - R_{t-1}}{R_{t-1}} olarak hesaplanmaktadır.

i_t gecelik faiz oranlarındaki yüzde değişimi ifade etmektedir. Biz kaynaktan farklı olarak hem ağırlıklı ortalama fonlama maliyetini kullanacağız hem de değişimi baz puan cinsinden ifade edeceğiz: (I_t - I_{t-1}) * 100

Burada değişkenlerin ana başlıkları kur, rezerv ve faiz. Bunu neden yazıyorum? Çünkü bu ana başlıklar altında farklı seriler ile yapılan çalışmalar bulunmaktadır. Burada paylaşacağım Finansal Baskı Endeksi nominal döviz kuru, Merkez Bankası brüt döviz rezervi ve ağırlıklı ortalama fonlama maliyetinden oluşmaktadır. Bu çalışmadan sonra bana mesaj atıp Identifying “Crisis” Episodes in the F/X Market isimli çalışmasını paylaşan Korel Gündem (@korelgundem) ise endeksi para piyasası faizini kullanarak, döviz sepeti (50% $ + 50% €) oluşturarak ve rezervleri swap ile düzelterek hesaplamış. Çalışmasını beğendim, farklı bir görüş olsun istedim ve yazımda yer vermek istedim. İlgili sonuçları izni ile paylaşacağım.

Şimdi veri setini oluşturalım ve inceleyelim. Bunun için geçen hafta sizlerle paylaştığım TCMB paketinden faydalanacağım.

library(TCMB);library(tidyverse)

#anahtar(api_anahtar = "")

kategoriler()

verigruplari(kategoriKodu = c(2,13,1))

seriler(verigrupKodu = "bie_dkdovytl")
seriler(verigrupKodu = "bie_abres2")
seriler(verigrupKodu = "bie_apifon")

veriler(seriKodu = "TP.DK.USD.A.YTL", baslangicTarihi = "01-01-2011", sayisalFrekans = "5")
ndk <- veri #nominal döviz kuru

veriler(seriKodu = "TP.AB.C2", baslangicTarihi = "01-01-2011", sayisalFrekans = "5")
bdr <- veri #brüt döviz rezervi

veriler(seriKodu = "TP.APIFON4", baslangicTarihi = "01-01-2011", sayisalFrekans = "5")
aofm <- veri #ağırlıklı ortalama fonlama maliyeti

master <- Reduce(function(x, y) merge(x, y, by = "Tarih"), list(ndk, bdr, aofm)) %>% 
  mutate(
    Tarih = lubridate::ymd(paste0(Tarih,"-",1))
  ) %>% 
  arrange(Tarih) %>% 
  mutate_if(is.character, as.numeric) %>% 
  rename(
    "ndk" = 2,
    "bdr" = 3,
    "aofm" = 4
  ) %>% 
  mutate(
    ndk_degisim = lag((lead(ndk) - ndk) / ndk),
    bdr_degisim = lag((lead(bdr) - bdr) / bdr),
    aofm_degisim = lag((lead(aofm) - aofm) * 100)
  )

Nominal Döviz Kuru (ndk):

TCMB eski Başkanı Naci Ağbal’ın görevden alınması ile kurda hareketli günler yaşadık ve yaşamaya devam ediyoruz. Kur 8’in üzerinde.

Brüt Döviz Rezervi (bdr):

Rezervler ile ilgili tartışmalar sıcaklığını koruyor. Hesaplama açısından ise swap hariç tutulduğunda eksi değerlere ulaşıyoruz. Biz bu çalışmada doğrudan brüt döviz rezervini kullanacağız.

Ağırlıklı Ortalama Fonlama Maliyeti (aofm):

Merkez Bankası en son politika faizi olan 1 hafta vadeli repoda 200 bps artışa gitmişti. Böylece faizler 17%’den 19%’a çıkmıştı. Çalışmada AOFM’i kullanmayı tercih ettim.

Değişkenleri görsel olarak inceledik. Şimdi her birini standardize etmemiz gerekiyor. Bu da ortalamasından çıkarıp standart sapmasına bölmek demektir. Ardından her birini toplayacağız ve 3’e böleceğiz. Böylece FBE değerini elde edeceğiz.

master <- master %>% 
  mutate(
    "ndk_yeni" = (ndk_degisim - mean(ndk_degisim, na.rm = T)) / sd(ndk_degisim, na.rm = T),
    "bdr_yeni" = (bdr_degisim - mean(bdr_degisim, na.rm = T)) / sd(bdr_degisim, na.rm = T),
    "aofm_yeni" = (aofm_degisim - mean(aofm_degisim, na.rm = T)) / sd(aofm_degisim, na.rm = T)
  ) %>% 
  mutate(
    "FBE" = (ndk_yeni + bdr_yeni + aofm_yeni) / 3
  )

Kriz diyebilmek için bir eşik değer belirlemeliyiz. Yani;

Eşik Değer = \mu + \alpha\sigma

Burada, FBE’nin aritmetik ortalamasına standart sapmanın \alpha katı kadar değer ekleniyor ve eşik değer belirlenmiş oluyor. Literatürde farklı seviyelerde alındığı için biz 1.5, 2, 2.5 ve 3 için bunu yapmış olacağız.

FBE > \mu + 1.5\sigma olduğu noktalar: 2012 Mart, 2014 Ocak, 2017 Ocak, 2018 Mayıs, 2018 Ağustos, 2018 Eylül, 2020 Ekim, 2020 Aralık ve şu an içinde bulunduğumuz 2021 Mart.

Bir sonraki çalışmamın bu krizleri öngörecek değişkenleri tespit etmek üzerine olmasını planlıyorum.

Son olarak, Korel’in çalışmasına ait sonuçlar aşağıdaki gibidir.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir