Geri Dön

Türk sanayi şirketlerinde sistematik risklerin önemi ve ölçülmesi- döviz kuru, faiz oranı ve emtia fiyatı risklerinin LSTM yapay sinir ağıla tahmin edilmesi

The importance and measurement of systematic risks in Turkish industrial companies-prediction of exchange rate, interest rate, and commodity price risks using LSTM neural network

PDF İndir

  1. Tez No: 901319
  2. Yazar: MUSTAFA ADIGÜZEL
  3. Danışmanlar: PROF. DR. FATMA BAHAR ŞANLI
  4. Tez Türü: Doktora
  5. Konular: Ekonomi, Economics
  6. Anahtar Kelimeler: Sistematik Riskler, Döviz kuru riski, Faiz oranı riski, Emtia Riski, Yapay sinir ağı, LSTM, Systematic Risks, Exchange Rate Risk, Interest Rate Risk, Commodity Risk, Neural Network, LSTM
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat Ana Bilim Dalı
  12. Bilim Dalı: İktisat Bilim Dalı
  13. Sayfa Sayısı: 225

Özet

Bu çalışmadaki iki temel hipotez bulunmaktadır. Bunlardan ilki Türk sanayi şirketleri için sistematik risklerin önemli olduğu ikincisi ise sistematik risklerin LSTM yapay sinir ağıyla başarılı şekilde tahmin edilebileceğidir. Çalışmanın amacı bu hipotezleri kanıtlayarak sanayi şirketlerinin sistematik riskleri etkin şekilde ölçmesine katkı sağlamaktır. Çalışmada sistematik riskler türlerine göre sınıflandırılarak, her bir riskin nasıl ölçüleceği ve yönetileceği gösterilerek literatüre katkı yapılmıştır. Sistematik risklerin sanayi şirketleri için önemini ortaya koyabilmek adına BİST Sınai endeksindeki şirketlerin toplulaştırılmış bilanço analizi yapılmıştır. Ek olarak Ankara, Gaziantep ve Kayseri sanayi odalarının iş birliği ile 96 şirket üzerinde sanayi şirketlerinin sistematik risklerini ve bu risklere bakışını ölçen anket yapılmıştır. Hem bilanço analizi hem de anket verileri sanayi şirketlerinin zayıf özkaynak yapısını, kısa vadeli krediye bağımlı olduğunu, net finansal varlık durumunun negatif olduğunu göstermektedir. Şirketlerin yabancı para biriminden borçlarının arttığı, buna uyumlu olarak döviz açık pozisyonlarının da giderek arttığı, toplam satışlar içinde ihracatın düşük olduğu ve bu nedenle ihracatın kur riskine karşı doğal dengeleyici işlevi görmediği, döviz açık pozisyonlarının özkaynaklara oranının kritik seviyede olduğu ve şirketlerin ciddi ölçüde kur riskine maruz kaldıkları ortaya konmuştur. Ayrıca ürün maliyetleri içinde en önemli kalemin hammadde olduğu ortaya çıkarılarak sanayi şirketlerinin emtia riski taşıdıkları kanıtlanmıştır. Sistematik risklerin sanayi şirketleri açısından önemini incelemek için, finansal başarı ve piyasa β'sı üzerindeki etkisi incelenmiştir. Finansal başarıya olan etki panel çoklu logit modelle yapılmıştır. Altmaz Z skorlarının bağımlı değişken, muhasebe rasyolarının bağımsız değişken olduğu modelde finansal kaldıraç oranının ve kısa vadeli yabancı kaynakların net satışlara oranının şirketlerin finansal başarısızlığını artıran birer unsur olduğu bulgulanmıştır. Sistematik risklerin etkilerini analiz etmek için şirketin hisse senedi kovaryansı ile tüm piyasanın kovaryansının fonksiyonu olan β katsayısı analizi yapılmıştır. β Katsayılarının bağımlı değişken muhasebe rasyolarının bağımsız değişken olduğu birim ve zaman etkisini içeren iki yönlü panel veri analizinde, yurtdışı satışların toplam satışlara oranının β katsayısını azaltan bir unsur olduğu, döviz açık pozisyonu ve finansal kaldıraç oranının β katsayısını artıran bir unsur olduğu bulgulanmıştır. Bu analizler sonucunda Türk sanayi şirketleri için döviz kuru ve faiz oranı risklerinin önemi ekonometrik olarak ortaya çıkarılmıştır. Çalışmanın ikinci hipotezi olan sistematik risklerin LSTM yapay sinir ağıyla başarılı şekilde tahmin edilebileceği hipotezini sınamak için, önemi ortaya konmuş döviz kuru, faiz oranı ve emtia fiyatları riskleri seçilerek analizler yapılmıştır. Döviz kuru için günlük ve haftalık kur, faiz oranı için günlük ve haftalık faiz oranları belirlenmiş, emtia fiyatı riski için sanayi şirketlerince en çok kullanılan emtialardan üçü olan petrol, bakır ve alüminyum seçilmiştir. LSTM yapay sinir ağıyla tahminden önce döviz kuru ve faiz oranı değişkenlerini en iyi açıklayabileceği düşünülen bağımsız değişkenlerle öznitelik seçimi yapılmıştır. Döviz kuru için yabancı para mevduat, TCMB rezervi, sermaye piyasalarına giren yabancı kaynak, Türkiye ve yurtdışı faiz oranları, Türkiye risk primi gibi birçok bağımsız değişkenle birlikte döviz kurunun 1, 2 ve 3 dönem gecikmeli değerleri arasında öznitelik seçimi k best selection ve f regression selection yöntemleri kullanılarak yapılmıştır. Buna göre istatiksel olarak anlamlı ve en yüksek skorlar açık ara 1, 2 ve 3 gecikmeli kur değerlerinindir. Faiz oranı için para arzı, yurtiçi ve yurtdışı faiz oranları, risk primi, döviz kuru değişkenleri için yapılan öznitelik seçimine faiz oranının 1, 2 ve 3 gecikmeli değerleri eklenmiştir. K best selection ve f regreston selection yöntemleri ile yapılan öznitelik seçiminde anlamlı ve en yüksek skora sahip değişkenler açık ara faiz oranının 1, 2 ve 3 gecikmeli değerleridir. Emtia fiyatları için ise aylık frekansa uygun öznitelik olmadığı için öznitelik seçimi yapılmamıştır ancak döviz kuru, faiz oranı ile benzer olarak petrol, bakır ve alüminyumun da otoregresif süreç içerdiği tespit edilmiştir. Döviz kuru ve faiz oranlarının kendi gecikmeli değerleriyle istatistiksel olarak anlamlı, yüksek düzeydeki ilişkisi ve otoregresif süreç içermesi, emtia fiyatlarının da otoregresif süreç içermesi nedeniyle tüm LSTM modeller tek değişkenli olarak kurulmuştur. Çalışmada döviz kuru, faiz oranı ve emtia fiyatlarına ait serilerinde trend tespit edilmiştir. Serilerin trendden ve mevsimsellikten ayrıştırılmasına rağmen kalıntıların dalgalı dağılımı bu serileri modellemenin zorluğuna işarettir. Çalışmada LSTM modelleri karşılaştırabilmek ve ön inceleme yapma amacıyla otoregresif modeller kurulmuştur. Serilerin mevsimsellik içermemesi ve trende sahip olması nedeniyle tüm modeller ARIMA model olarak kurulmuştur. LSTM modeller için yapısı gereği seriyi durağanlaştırma, ayrıştırma ya da gecikmeli değerleri ile analiz etme zorunluluğu yoktur. Doğası gereği bu seriler mevsimselliği, trendi ve otoregresif süreçleri öğrenerek tahminlerde bulunur. ARIMA modellerinin hata metrikleri incelendiğinde, günlük kur modeli için MSE 0,0374, MAE 0,0568 ve R² 0,9994 iken, haftalık kur modeli için MSE 0,0560, MAE 0,0986 ve R² 0,9991'dir. Günlük faiz modeli için MSE 0,0374, MAE 0,0568 ve R² 0,9994 değerlerine sahipken, haftalık faiz modeli için MSE 0,0560, MAE 0,0986 ve R² 0,9991'dir. Petrol modeli için hata metrikleri MSE 14,79, MAE 2,40 ve R² 0,985 iken, bakır modeli için MSE 70302,31, MAE 159,93 ve R² 0,989'dur. Alüminyum modeli için ise MSE 11218,2, MAE 65,41 ve R² 0,965 olarak belirlenmiştir. LSTM modeller ARIMA modellere göre oldukça etkileyici hata metriklerine sahiptir. LSTM modellerinin hata metrikleri incelendiğinde, günlük kur modelinde MSE 1,2e-4 ve MAE 0,0063 iken, haftalık kur modelinde MSE 4,6e-4 ve MAE 0,016'dır. Günlük faiz modeli için MSE 7,8872e-04, MAE 0,017, R2 0,997 haftalık faiz modeli için MSE 0,0019, MAE 0,0312 ve R2 0,977'dir. Petrol modeli için MSE 0,0041, MAE 0,084, R2 0,935 iken, bakır modeli için MSE 0,0015 ve MAE 0,0284, R2 0,977', alüminyum modeli için MSE 0,0013 ve MAE 0,0276, R2 0,8804'dür. LSTM modeller eğitildikten sonra gelecek tahmini yapılmıştır. Tahmin sonuçlarında kur modelleri için %99 tahmin başarısı söz konusudur. LSTM faiz modellerinin gelecek tahmin sonuçları %97 seviyesinde başarılıdır. Emtia modellerinin gelecek tahmin başarısı petrol için %99, bakır için %93,13 ve alüminyum için %88,94'tür, petrol ve bakır modelleri, alüminyum modeli için ise kabul edilebilir olarak değerlendirilebilir. Bu çalışmanın sonucunda sistematik risklerin Türk sanayi şirketleri için önemi ve bu risklerin LSTM yapay sinir ağıyla başarılı şekilde modellenip tahmin edilebileceği ortaya konmuştur. Çalışmanın sanayi şirketlerin risk yönetimini bütüncül bir perspektiften yapması, en önemli riskleri belirlemesi, bu riskleri modelleyerek tahmin etmesi süreçlerine katkı yapması beklenmektedir.

Özet (Çeviri)

There are two main hypotheses in this study. The first one is that systematic risks are significant for Turkish industrial companies, and the second is that these systematic risks can be successfully predicted using the LSTM neural network. The aim of the study is to prove these hypotheses and contribute to the effective measurement of systematic risks by industrial companies. The study contributes to the literature by classifying systematic risks by type and demonstrating how each risk can be measured and managed. To demonstrate the importance of systematic risks for industrial companies, a consolidated balance sheet analysis of companies in the BIST Industrial Index was conducted. Additionally, in collaboration with the Ankara, Gaziantep, and Kayseri Chambers of Industry, a survey measuring the systematic risks of 96 industrial companies and their perspectives on these risks was carried out. Both the balance sheet analysis and survey data show that industrial companies have weak equity structures, are dependent on short-term credit, and have a negative net financial asset position. It was found that companies' foreign currency liabilities are increasing, leading to rising foreign exchange open positions, low export rates within total sales, and thus exports not serving as a natural hedge against exchange rate risk. The ratio of foreign exchange open positions to equity is at a critical level, indicating significant exposure to exchange rate risk. Additionally, it was shown that raw materials are the most significant cost component, proving that industrial companies bear commodity risk. To examine the importance of systematic risks for industrial companies, the study looked into the impact of these risks on financial success and β coefficient. The impact on financial success was analyzed using a panel multinomial logit model. In the model, where Altman Z-scores were the dependent variable and accounting ratios were the independent variables, it was found that the financial leverage ratio and the ratio of short-term liabilities to net sales increase the likelihood of financial failure. To analyze the effects of systematic risks a β coefficient analysis was conducted, which is a function of the covariance of the company's stock with the market. In the two-way panel data analysis, which included unit and time effects with β coefficients as the dependent variable and accounting ratios as the independent variables, it was found that the ratio of foreign sales to total sales reduces the β coefficient, while foreign exchange open positions and financial leverage ratio increase the β coefficient. These analyses econometrically demonstrate the importance of exchange rate and interest rate risks for Turkish industrial companies. To test the second hypothesis that systematic risks can be successfully predicted using the LSTM neural network, analyses were conducted on exchange rate, interest rate, and commodity price risks, which were identified as significant. For exchange rate, daily and weekly rates were determined, for interest rate, daily and weekly rates were set, and for commodity price risk, three commonly used commodities by industrial companies—oil, copper, and aluminum—were selected. Before predicting with the LSTM neural network, feature selection was performed with independent variables expected to best explain exchange rate and interest rate risks. For exchange rate, feature selection was done using k best selection and f regression selection methods among many independent variables such as foreign currency deposits, CBRT reserves, foreign capital entering the capital markets, interest rates in Turkey and abroad, Turkey's risk premium, and 1, 2, and 3-period lagged values of the exchange rate. Statistically significant and highest scores were found for the 1, 2, and 3 lagged exchange rate values. For interest rate, the feature selection included money supply, domestic and foreign interest rates, risk premium, exchange rate variables, and 1, 2, and 3 lagged values of the interest rate. In the feature selection using k best selection and f regression selection methods, the 1, 2, and 3 lagged interest rate values were found to be statistically significant and had the highest scores. No feature selection was made for commodity prices due to the lack of suitable monthly frequency features, but it was found that oil, copper, and aluminum, like exchange rate and interest rate, also contain autoregressive processes. Given the statistically significant and high-level relationship of exchange rate and interest rates with their own lagged values and the autoregressive processes, as well as the autoregressive processes in commodity prices, all LSTM models were built as univariate models. The study found that exchange rates, interest rates, and commodity prices exhibit trends, while exchange rate and interest rate series exhibit a clear trend. Despite the separation of the series from trend and seasonality, the volatile distribution of the residuals indicates the difficulty of modeling these To compare LSTM models and perform preliminary analysis, ARIMA models were built. Since the series were not seasonal and had a trend, all models were built as ARIMA models. Unlike LSTM models, ARIMA models required the series to be made stationary, decomposed, or analyzed with lagged values. By nature, LSTM models learn seasonality, trend, and autoregressive processes to make predictions. Examining the error metrics of ARIMA models, the daily exchange rate model has MSE 0.0374, MAE 0.0568, and R² 0.9994, while the weekly exchange rate model has MSE 0.0560, MAE 0.0986, and R² 0.9991. The daily interest rate model has MSE 0.0374, MAE 0.0568, and R² 0.9994, while the weekly interest rate model has MSE 0.0560, MAE 0.0986, and R² 0.9991. For the oil model, the error metrics are MSE 14.79, MAE 2.40, and R² 0.985, for the copper model MSE 70302.31, MAE 159.93, and R² 0.989, and for the aluminum model MSE 11218.2, MAE 65.41, and R² 0.965. The error metrics of LSTM models are quite impressive compared to ARIMA models. For the daily exchange rate model, MSE is 1.2e-4 and MAE is 0.0063, while for the weekly exchange rate model, MSE is 4.6e-4 and MAE is 0.016. For the daily interest rate model, MSE is 7.8872e-04, MAE is 0.017 and R² is 0.997. For the weekly interest rate model, MSE is 0.0019, MAE is 0.0312 and R² is 0.977. For the oil model, MSE is 0.0041, MAE is 0.084, R² is 0.935. For the copper model, MSE is 0.0015, MAE is 0.0284 and R² is 0.977. For the aluminum model, MSE is 0.0013, MAE is .0276 and R² is 0.8804. After training the LSTM models, future predictions were made. The prediction results show 99% accuracy for the exchange rate models. The future prediction results for the LSTM interest rate models are 97% accurate. The future prediction accuracy for commodity models is 99% for oil, 99,13% for copper, and 88,94% for aluminum. These results are considered successful for the oil and copper models and acceptable for aluminum model. The study concludes that systematic risks are significant for Turkish industrial companies and that these risks can be successfully modeled and predicted using the LSTM neural network. The study is expected to contribute to industrial companies' risk management by taking a holistic perspective, identifying the most important risks, modeling, and predicting these risks.

Benzer Tezler

  1. Tez No

    607729

    Katılım model portföy endeksi şirketlerinde sistematik risk ölçümü

    Systematic risk measurement in participation model portfolio index companies

    YEŞİM GÜLSÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İşletmeÇankırı Karatekin Üniversitesi

    İşletme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MERCAN HATİPOĞLU

  2. Tez No

    677054

    A managerial roadmap development for Industry 4.0-based smart manufacturing enterprise: A study in Turkish automotive sector

    Endüstri 4.0 tabanlı akıllı üretim işletmesi için bir yönetimsel yol haritasının geliştirilmesi: Türkiye otomotiv sektöründe bir çalışma

    ATHEER HASO ASHAK GAJO

    Doktora

    İngilizce

    İngilizce

    2021

    İşletmeTürk Hava Kurumu Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. GÖKNUR ARZU AKYÜZ

  3. Tez No

    473295

    Otomotiv sektöründe ikna ve satış tekniklerinin uygulanması

    Implementation of persuasion and sales techniques in automotive industry

    TUĞBA ZARARSIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    İşletmeBahçeşehir Üniversitesi

    İşletme Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLBERK GÜLTEKİN SALMAN

  4. Tez No

    62758

    İşletme kaynakları planlaması ve otomotiv yan sanayinde bir uygulaması

    Başlık çevirisi yok

    YÜCE OSMAN ATAY

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    İşletmeUludağ Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. FERAY ODMAN ÇELİKÇAPA

  5. Tez No

    98382

    Savaş stratejilerinin iş dünyasında uygulanması

    Implementing war strategies in business world

    NACİ ÖZGÜR ÖZEL

    Yüksek Lisans

    Türkçe

    Türkçe

    1999

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ.DR. TUFAN KOÇ

Geri Dön