Causality Analysis on Selected Macro Financial Variables of Turkey: Artificial Neural Networks and Linear Causality Methods

Year 2024, Volume: 11 Issue: 2, 349 - 365, 01.07.2024

Orhan Özaydın

https://doi.org/10.17541/optimum.1452225

Abstract

Research on Türkiye's macro-financial variables has frequently used linear and nonlinear Granger causality analyses. Since financial data generally have a non-linear structure, various non-linear causality tests have been developed and applied. In recent years, it has been emphasized that artificial neural network algorithms have started to be used in these tests and that they are effective in revealing non-linear causality relationships in financial series and that artificial neural networks can be an effective tool in financial analyses. In this study, the causality relationships between Türkiye's selected macro-financial variables BIST100, 5-year credit default swaps, 2-year bonds and USDTRY are analyzed using linear and artificial neural network Granger causality models at daily, weekly and monthly frequencies. The findings indicate that artificial neural network models generally produce more comprehensive and significant results. It is seen that artificial neural networks are an effective tool in understanding the complex causality relationships in financial markets.

Keywords

Artificial Neural Networks, Granger, Causality, Stock Market, Credit Default Swaps

Türkiye’nin Seçilmiş Makro Finans Değişkenleri Üzerine Nedensellik Analizi: Yapay Sinir Ağları ve Doğrusal Nedensellik Yöntemleri

Abstract

Türkiye'nin makro finans değişkenleri üzerine yapılan araştırmalarda, doğrusal ve doğrusal olmayan Granger nedensellik analizlerinin sıkça kullanıldığı gözlemlenmektedir. Finansal verilerin genellikle doğrusal olmayan yapıya sahip olması sebebiyle, çeşitli doğrusal olmayan nedensellik testleri geliştirilmiş ve uygulanmıştır. Son yıllarda ise yapay sinir ağları algoritmalarının bu testlerde kullanılmaya başlandığı ve finansal serilerde doğrusal olmayan nedensellik ilişkilerini ortaya çıkarmada etkili olduğu ve yapay sinir ağlarının finansal analizlerde etkili bir araç olabileceği vurgulanmıştır. Bu çalışmada Türkiye’nin seçilmiş makro finans değişkenleri olan Bist100, 5 yıllık kredi temerrüt takasları, 2 yıllık Tahvil ve USDTRY arasındaki nedensellik ilişkileri, günlük, haftalık ve aylık frekanslarda, doğrusal ve yapay sinir ağı Granger nedensellik modelleri kullanılarak incelenmiştir. Yapay sinir ağı modellerinin genel olarak daha kapsamlı ve anlamlı sonuçlar ürettiği bulgularda tespit edilmiştir. Yapay sinir ağlarının finansal piyasalardaki karmaşık nedensellik ilişkilerin anlaşılmasında etkili bir araç olduğu görülmektedir.

Keywords

Yapay Sinir Ağları, Granger, Nedensellik, Borsa, Kredi Temerrüt Takasları

References

• Bektur, Ç., ve Malcıoğlu, G. (2017). Kredi Temerrüt Takasları ile Bist 100 Endeksi Arasındaki İlişki: Asimetrik Nedensellik Analizi. AİBÜ Sosyal Bilimler Enstitüsü Dergisi, 17(3), 73-83.
• Cochrane, J.H., (2017). Macro-Finance. Review of Finance, 21(3), 945–985, doi:https://doi.org/10.1093/rof/rfx010
• Değirmenci, N., ve Pabuçcu, H. (2016). Borsa İstanbul ve Risk Primi Arasındaki Etkileşim: VAR ve NARX Modeli. Akademik Sosyal Araştırmalar Dergisi, 4(35), 248-261.
• Diks, C., Panchenko, V. (2006). A new statistic and practical guidelines for nonparametric Granger causality testing. Journal of Economic Dynamics and Control, 30(9-10), 1647-1669.
• Eğrioğlu, E., Bas, E., Cansu, T., ve Kara, M. A. (2023). A New Nonlinear Causality Test Based On A Single Multiplicative Neuron Model Artificial Neural Network: A Case Study For Türkiye’s Macroeconomic Indicators. Granular Computing, 8(1), 391–396.
• Gök, R., ve Kara, E. (2021). Testing For Causality Among CDS, Interest, And Exchange Rates: New Evidence From The Granger Coherence Analysis. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 16(2), 427 – 445. doi: 10.17153/oguiibf.854172
• Gök, R. (2021). Linear And Nonlinear Granger Causality Relationship Between Stock Indices And Financial Variables. Finans Politik ve Ekonomik Yorumlar, 655, 9-38.
• Granger, C. W. J. (1969). Investigating Causal Relations by Econometric Models and Cross-spectral Methods. Econometrica, 37(3), 424-438. Doi: https://doi.org/10.2307/1912791
• Güney, S., ve Ilgın, K. S. (2019). Yatırım Araçlarının Bist-100 Endeksi Üzerindeki Etkisinin Değerlendirilmesi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 53, 226-245.
• Gülhan, Ü. (2020). Altın Fiyatları ile VIX Endeksi, Bist 100 Endeksi, Döviz Kuru Ve Petrol Fiyatları İlişkisi: Ekonometrik Bir Analiz. Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi, 11(2), 576-591.
• Hacker, R. S., Hatemi-J, A. (2006). Tests for causality between integrated variables using asymptotic and bootstrap distributions: Theory and application. Applied Economics Letters, 38(13), 1489-1500.
• Hmamouche, Y., (2020). NlinTS: An R Package For Causality Detection in Time Series. The R Journal,12(1).
• Kingma, D. ve Ba, J. (2015) Adam: A Method for Stochastic Optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015).
• Münyas, T. (2020). Evaluation of The Relationship Between Credit Default Swaps and EURO and USD Exchange Rates: The Case of Türkiye. Business and Management Studies: An International Journal, 8(2), 1113-1130. doi: http://dx.doi.org/10.15295/bmij.v8i2.1439
• Nishiyama, Y., Hitomi, K., Kawasaki, Y., ve Jeong, K., (2011). A consistent nonparametric test for nonlinear causality—Specification in time series regression. Journal of Econometrics, Elsevier, vol. 165(1), pages 112-127.
• Nogueira, A.R., Pugnana, A., Ruggieri, S., Pedreschi, D. ve Gama, J., (2022). Methods and tools for causal discovery and causal inference. WIREs Data Mining and Knowledge Discovery, 12(2). doi: 10.1002/widm.1449
• Şentürk, M., ve Dücan, E. (2014). Türkiye’de Döviz Kuru-Faiz Oranı ve Borsa Getirisi İlişkisi: Ampirik Bir Analiz. Business and Economics Research Journal, 5(3), 67-80.
• Tank, A., Covert I.C., Foti N.J., Shojaie, A. ve Fox, E.B., (2018). An Interpretable and Sparse Neural Network Model for Nonlinear Granger Causality Discovery. arXiv:1711.08160 2 [stat.ML] (online), https://doi.org/10.48550/arXiv.1711.08160.
• Toda, H. Y., Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250. DOI: https://doi.org/10.1016/0304-4076(94)01616-8
• Yıldırım, G., ve Adalı, Z. (2018). Linear and Non-Linear Causality Tests of Stock Price and Real Exchange Rate Interactions in Türkiye. Fiscaoeconomia, 2(1), 99-118. https://doi.org/10.25295/fsecon.370719