Sürekli Dalgacık Dönüşümlü Granger Nedensellik Analizi: Türkiye Örneği

Öz

Finansal veriler genellikle iç içe geçmiş salınımlar, ani değişimler ve görece olarak daha yavaş değişen trend bileşenlerini içeren karmaşık bir yapıya sahiptir. Dalgacık analizi ile söz konusu bileşenler ayrıştırılarak verinin sahip olduğu bileşenlerdeki değişmeleri içeren zaman-frekans grafikleri oluşturulmaktadır. Böylelikle verideki dinamiklerin ortaya çıkarılması amacıyla salınımların zamana, döneme ve salınım şiddetine göre değişiminin analizi mümkün olmaktadır.

 

Bu çalışmada küresel kriz sonrası 03.01.2008 - 09.11.2018 dönemi için, BIST (Borsa İstanbul AŞ.) 100 Endeksi, Dolar (USD), Euro (EUR) ve serbest piyasa altın getirileri (GOLD) arasındaki ilişkiler analize konu edilmiştir. Çalışma kapsamında; BIST-100 Endeksi ile Dolar, Euro ve Altın getiri verileri arasındaki nedensellik ilişkisi, sürekli dalgacık dönüşümünü (Continuous Wavelet Transform - CWT) temel alan Granger nedensellik testi ile analiz edilmiştir. CWT Granger nedensellik testi, parametrik olmayan nedensellik testi olup Rua (2003) CWT korelasyon ölçütünün Olayeni (2016) tarafından faz farkı gösterge fonksiyonu kullanılarak geliştirilmesiyle oluşturulmuş ve literatürde son dönemlerde kullanılmaya başlanmıştır.  Çalışma sonucunda BIST 100 Endeks - Dolar, BIST 100 Endeks - Euro arasında negatif ve çift yönlü bir nedensellik saptanmakla birlikte, BIST 100 Endeks - Altın getiri serileri arasında kalıcı, baskın bir nedensellik görülmemiştir.

Anahtar Kelimeler

• Sürekli Dalgacık Dönüşümü,Granger Nedensellik Testi

Kaynakça

1. Aguira, C.L.veSoares, M. J. (2014). “The continuous wavelet transform: Moving beyond uni‐ and bivariate analysis”, Journal of Economic Surveys, 28: 2, 344-375
2. Antonakakis N., Chang T., Cunado J. veGupta R. (2018). “The relationship between commodity markets and commodity mutual funds: A wavelet-based analysis”, Finance Research Letters, 24, 1-9
3. Conraria, L. A. Azevedo N ve Soares, M. J. (2008). “Using wavelets to decompose the time–frequency effects of monetary policy”, Physica A, 387, 2863–2878
4. Conraria, L. A. ve Soares, M. J. (2011). “Oil shocks and the Macroeconomy: Econometric estimation, economic modeling and policy implications”. PTDC/ECO/64750/2006.
5. Li X.L., Chang, T, Miller, S. M., Balcilar ve M., Gupta R. (2015). “The co-movement and causality between the U.S. housing and stock markets in the time and frequency domains”, International Review of Economics and Finance, 38,220–233
6. Olayeni, O.R. (2016). “Causality in Continuous Wavelet Transform Without Spectral Matrix Factorization: Theory and Application”, Computational Economics, 47(3), 321.
7. Rua, A. (2013). “Worldwide synchronization since the nineteenth century: A wavelet based view.” Applied Economics Letters, 20(8), 773–776.
8. Rua, A. ve Nunes, L.C. (2012). “A wavelet-based assessment of market risk: The emerging markets case”, The Quarterly Review of Economics and Finance 52,84– 92.

9. Tiwari, A.K., Mutascu, M. ve Andries, A. M.,(2013). “Decomposing time-frequency relationship between producer price and consumer price indices in Romania through wavelet analysis”, Economic Modelling, 31, 151–159.
10. Tiwari, A.K. (2013). “Oil prices and the macroeconomy reconsideration for Germany: Using continuous wavelet”, Economic Modelling, 30, 636–642.
11. Tiwari, A.K. (2018). Finance Research Letters,https://doi.org/10.1016/j.frl.2018.02.005
12. Yang,L., Cai,X. J. ve Hamori S. (2017). “Does the crude oil price influence the exchange rates of oil importing and oil-exporting countries differently? A wavelet coherence analysis”, International Review of Economics and Finance 49, 536-547.