Investigation of Factors Affecting Sovereign Ratings by Various Classification Analyses

Öz

Credit ratings are alphabetical indicators of credit risk provided by international rating agencies such as Standard and Poor’s, Moody’s, and Fitch. Since credit ratings are an assessment of a government’s ability to repay the public debt on time, investors, lenders, and market participants can make investment decisions in line with published reports. Therefore, the scores given are very important. In this study, the factors handled by Moody’s as sovereign ratings were determined using Logistic Regression Analysis and Artificial Neural Networks for the data of 85 countries for 2017 and the countries were divided into classes according to investment grade. As a result of the analysis, per capita GDP, inflation, general government primary balance / GDP, government debt, external payments, official forex reserves were found to be statistically significant. The correct classification rate of the logistic regression model was found to be 90%, whereas the correct classification rate of the artificial neural network model was found to be 88%. In August 2018, Moody’s downgraded Turkey’s credit rating from ‘’Ba2’’ to ‘’Ba3’’ and in June 2019 to B1 so the rating outlook dropped from stable to negative. Similarly, the analysis concluded that Turkey had been placed onto the list of non-investable countries.

Anahtar Kelimeler

• Sovereign rating,logistic regression analysis,artificial neural networks

Ülke Kredi Notlarını Etkileyen Faktörlerin Çeşitli Sınıflandırma Analizleri ile İncelenmesi

Öz

Kredi derecelendirmeleri, Standard and Poor’s Corporation, Moody’s Yatırımcı Servisi ve Fitch Ratings gibi uluslararası derecelendirme kuruluşları tarafından sağlanan kredi riskinin alfabetik göstergeleridir. Kredi notları hükümetlerin kamu borcunu zamanında geri ödeme kabiliyetinin ve istekliliğinin bir değerlendirmesi olduğundan, yatırımcılar, borç veren kuruluşlar ve ilgili piyasa katılımcıları, yayınlanan raporlar doğrultusunda yatırım kararları alabilmektedir. Bu nedenle verilen notlar oldukça önemlidir. Bu çalışmada, 85 ülkenin 2017 yılına ait verisi için lojistik regresyon analizi ve yapay sinir ağları tekniklerinden yararlanılarak Moody’s kredi derecelendirme kuruluşunun ülke kredi notlarını verirken baskın olarak hangi faktörleri ele aldığı belirlenmiş ve verilen kredi notlarına göre ülkeler yatırım yapılabilirlik durumuna göre sınıflara ayrılmıştır. Analiz sonucunda, kişi başına düşen gayrisafi yurtiçi hasıla (GSYİH), enflasyon, genel hükümet faiz dışı dengesi / GSYİH, devlet borcu, dış ödemeler ve resmi Forex rezervleri değişkenleri istatistiksel olarak anlamlı bulunmuş, lojistik regresyon modelinin doğru sınıflandırma oranının %90,6 ve yapay sinir ağları modelinin doğru sınıflandırma oranının %88 olduğu sonucuna varılmıştır. Türkiye zaman zaman yatırım “yapılabilir ülkeler” kategorisinde yer alsa da, kredi derecelendirme kuruluşu Moody’s, 2018 Ağustos ayında Türkiye’nin kredi notunu Ba2’den Ba3’e, 2019 Haziran ayında ise B1’e düşürerek not görünümünü durağandan negatife düşürmüştür. Analiz sonucunda da buna paralel olarak kredi notları açısından Türkiye’nin “yatırım yapılamaz” sınıfına dahil edildiği belirlenmiştir.

Anahtar Kelimeler

• Ülke kredi notu,lojistik regresyon analizi,yapay sinir ağları

Kaynakça

1. Alpar, R. (2003). Uygulamalı çok değişkenli istatistiksel yöntemlere giriş. Ankara: 1. Nobel Yayın Dağıtım.
2. Anderson, D., & McNeill, G. (1992). Artificial neural networks technology. Kaman Sciences Corporation, 258(6), 1–83.
3. Avcılar, M. Y., & Yakut, E. (2015). Yapay sinir ağları çoklu lojistik regresyon ve çoklu diskriminant analiz yöntemlerinden yararlanarak yerel seçimlerde seçmen tercihlerinin belirlenmesi: Osmaniye ili uygulaması. Journal of Alanya Faculty of Business/Alanya Isletme Fakültesi Dergisi, 7(2).
4. Balıkçıoğlu, E., & Yılmaz, H. H. (2013). Ülkelerin Finansal Açıdan Kredi Notlarını Etkileyen Faktörler ve Kredi Derecelendirme Kuruluşlarının Bu Faktörler Çerçevesinde Değerlendirilmesi. Maliye Dergisi, 165, 163–188.
5. Bennell, J. A., Crabbe, D., Thomas, S., & Ap Gwilym, O. (2006). Modelling sovereign credit ratings: Neural networks versus ordered probit. Expert systems with applications, 30(3), 415–425.
6. Bissoondoyal-Bheenick, E., Brooks, R., & Yip, A. Y. (2006). Determinants of sovereign ratings: A comparison of case-based reasoning and ordered probit approaches. Global Finance Journal, 17(1), 136–154.
7. Budak, H., & Erpolat, S. (2012). Kredi riski tahmininde yapay sinir ağları ve lojistikregresyon analizi karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9), 23–30.
8. Disatnik, D., & Sivan, L. (2016). The multicollinearity illusion in moderated regression analysis. Marketing Letters, 27(2), 403–408.

9. Ekelik, H., & Altaş, D. (2019). Dijital reklam verilerinden yararlanarak potansiyel konut alıcılarının rastgele orman yöntemiyle sınıflandırılması. Journal Of Research İn Economics, 3(1), 28–45.
10. Genç, E. G., & Başar, O. D. (2019). Comparison of country ratings of credit rating agencies with moora method. Business and Economics Research Journal, 10(2), 391–404.
11. Hair, J. F., Black, W. C., Babin, B., Anderson, R. E., & Tatham, R. L. (2006). Multivariate data analysis (6th ed). Upper Saddle River, NJ: Prentice-Hall.
12. Hilbe, J. M. (2016). Practical guide to logistic regression. Chapman and Hall/CRC. Kalaycı, Ş. (2010). SPSS uygulamalı çok değişkenli istatistik teknikleri (Vol. 5). Ankara: Asil Yayın Dağıtım.
13. Özdamar, K. (2013). Paket programlar ile istatistiksel veri analizi. Eskişehir: Nisan Kitabevi,
14. Peng, C. Y. J., Lee, K. L., & Ingersoll, G. M. (2002). An introduction to logistic regression analysis and reporting. The journal of educational research, 96(1), 3–14.
15. Reisen, Helmut. 2002. “Ratings since the Asian Crisis.” OECD Development Centre. Accessed October 9, 2015. http://www.oecd.org/ development/pgd/1934633.pdf. Menard, S. W. (1995). Applied logistic regression analysis.
16. Montes, G. C., Oliveira, D. S., & Mendonça, H. F. (2016). Sovereign Credit Ratings in Developing Economies: New Empirical Assessment. International Journal of Finance & Economics, 21(4), 382–397.
17. Öztemel, E. (2003). Yapay sinir ağlari. Istanbul: PapatyaYayincilik.
18. Tabachnick, B. G., Fidell, L. S., & Ullman, J. B. (2012). Using multivariate statistics (Vol. 5). Boston, MA: Pearson.
19. Tennant, D. F., & Tracey, M. R. (2016). Sovereign debt and credit rating bias. Palgrave Macmillan. Tayyar, N. (2010). Müşteri memnuniyeti tahmininde yapay sinir ağları, lojistik regresyon ve ayırma analizinin performanslarının karşılaştırılması. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(1), 339–355. Tu, J. V. (1996). Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. Journal of clinical epidemiology, 49(11), 1225–1231. Yegnanarayana, B. (2009). Artificial neural networks. PHI Learning Pvt. Ltd.
20. Zweig, M. H., & Campbell, G. (1993). Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical chemistry, 39(4), 561–577.
21. Bennell, J. A., Crabbe, D., Thomas, S., & Ap Gwilym, O. (2006). Modelling sovereign credit ratings: Neural networks versus ordered probit. Expert systems with applications, 30(3), 415–425.
22. Bissoondoyal-Bheenick, E., Brooks, R., & Yip, A. Y. (2006). Determinants of sovereign ratings: A comparison of case-based reasoning and ordered probit approaches. Global Finance Journal, 17(1), 136–154.
23. Budak, H., & Erpolat, S. (2012). Kredi riski tahmininde yapay sinir ağları ve lojistikregresyon analizi karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9), 23–30.
24. Disatnik, D., & Sivan, L. (2016). The multicollinearity illusion in moderated regression analysis. Marketing Letters, 27(2), 403–408.
25. Ekelik, H., & Altaş, D. (2019). Dijital reklam verilerinden yararlanarak potansiyel konut alıcılarının rastgele orman yöntemiyle sınıflandırılması. Journal Of Research İn Economics, 3(1), 28–45.
26. Genç, E. G., & Başar, O. D. (2019). Comparison of country ratings of credit rating agencies with moora method. Business and Economics Research Journal, 10(2), 391–404.
27. Hair, J. F., Black, W. C., Babin, B., Anderson, R. E., & Tatham, R. L. (2006). Multivariate data analysis (6th ed). Upper Saddle River, NJ: Prentice-Hall.
28. Hilbe, J. M. (2016). Practical guide to logistic regression. Chapman and Hall/CRC.
29. Kalaycı, Ş. (2010). SPSS uygulamalı çok değişkenli istatistik teknikleri (Vol. 5). Ankara: Asil Yayın Dağıtım. Özdamar, K. (2013). Paket programlar ile istatistiksel veri analizi. Eskişehir: Nisan Kitabevi,
30. Peng, C. Y. J., Lee, K. L., & Ingersoll, G. M. (2002). An introduction to logistic regression analysis and reporting. The journal of educational research, 96(1), 3–14.
31. Reisen, Helmut. 2002. “Ratings since the Asian Crisis.” OECD Development Centre. Accessed October 9, 2015. http://www.oecd.org/ development/pgd/1934633.pdf. Menard, S. W. (1995). Applied logistic regression analysis.
32. Montes, G. C., Oliveira, D. S., & Mendonça, H. F. (2016). Sovereign Credit Ratings in Developing Economies: New Empirical Assessment. International Journal of Finance & Economics, 21(4), 382–397.
33. Öztemel, E. (2003). Yapay sinir ağlari. Istanbul: PapatyaYayincilik. Tabachnick, B. G., Fidell, L. S., & Ullman, J. B. (2012). Using multivariate statistics (Vol. 5). Boston, MA: Pearson.
34. Tennant, D. F., & Tracey, M. R. (2016). Sovereign debt and credit rating bias. Palgrave Macmillan.
35. Tayyar, N. (2010). Müşteri memnuniyeti tahmininde yapay sinir ağları, lojistik regresyon ve ayırma analizinin performanslarının karşılaştırılması. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(1), 339–355.
36. Tu, J. V. (1996). Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. Journal of clinical epidemiology, 49(11), 1225–1231.
37. Yegnanarayana, B. (2009). Artificial neural networks. PHI Learning Pvt. Ltd.
38. Zweig, M. H., & Campbell, G. (1993). Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine. Clinical chemistry, 39(4), 561–577.