dersblog

Kur Krizi Alarmı

Sabitlenmiş bir kur devaluasyon yasamaya yakın mıdır? Bir ülkenin kur krizi yaşama ihtimali nedir? The Global Macro Database [1] adı verilen veriyi kullanarak kriz tahmini yapma amaçlı bir gösterge (indicator) takip eden / saptayıcı / tahminci yazılımı paylaşacağız. GMD verisi IMF, Dünya Bankası, OECD verilerini birleştirir ve finans, kur krizlerini etiketleyerek araştırmacıların rahatça erişebileceği bir kaynak sağlar. GMD her çeyrekte güncellenir. Veriyi direk [2]'den zip / csv olarak indirebiliriz. Bir diğer yöntem,

pip install global_macro_data

sonrası

from global_macro_data import gmd
df = gmd(fast="yes")
df.to_csv('/opt/Downloads/gmd/gmd.csv')

Bu yöntem eğer güncel yeni veri varsa en son versiyonu indirir, yoksa eski versiyonu tutar, veri indirmesi olmaz.

GMD ham verisine bakınca mevcut seneden ilerideki seneler için de veri olduğunu görüyoruz. Mesela 2026'da isek veri içinde 2027,2028,.. verileri var. Neden? Tabanı yaratanlar ileri seneler için de kendi tahminlerini veriye eklemişler. Büyük ihtimalle bazı analiz araçları buna ihtiyaç duyuyor, eki ondan yapmışlar. Not olarak buraya düşelim, eğer analizinizin böyle bir ihtiyacı yoksa sadece bir başlangıç senesi değil, bitiş senesi de filtre şartı olarak koymak gerekebilir, çünkü tahmin edilmiş seneler analize dahil etmek istenmeyebilir.

Tasarım

Yaklaşmakta olan krizlerin farklı önden gelen göstergeleri (leading indicator) olabilir. Altta tahmin amaçlı bizim kullandıklarımız, onları saptarken [3,4] yazılarını temel aldık. Tahmin tekniği olarak lojistik regresyon istatistik yöntemi kullanıldı. Bir senedeki (birazdan listeleyeceğimiz) değişkenler bir sonraki senedeki kriz varlığı (1/0) ile regresyona verilecek. Kriz kolonu GMD'de CurrencyCrisis. Ardından tanımladığımız değişkenlerin katsayıları bir sonraki adımda tahmin amaçlı kullanılabilecek, tahmini istenen T senesi ise T-1 senesindeki değişkenlerin değerleri katsayıları ile birlikte lojistik formülüne sorulacak. Bu formül tüm katsayıları ile birlikte şu şekilde,

$$\left( \text{Crisis}_{t+1}=1\right)= \sigma\left( \beta_0 + \beta_{1} z^{\text{ca}} + \beta_{2} z^{\text{rer_dev}} + \beta_{3} z^{\text{exports}} + \beta_{4} z^{\text{output}} + \beta_{5} z^{\text{infl}} + \beta_{6} z^{\text{credit}} \right)$$

$$\sigma(u)=\frac{1}{1+e^{-u}}$$

Değişkenler

Değişken: ca, Cari İşlemler Hesabı (Current Account)

GMD'deki CA_GDP kolonunu baz alır, bu kolon cari işlemler hesabının gayrisafi yurtiçi hasılasına (GDP) göre oranıdır. Risk artışını hesaplamaya uğraştığımız için kod içinde kolonun negatifi alındı (-g["CA_GDP"]). Cari işlemler hesabı bir ülkenin ticaret dengesini gösterir, ve net olarak dışarıdan ne kadar getiri elde edildiğini kayıtlar. Eğer cari işlemler hesabında kayıp var ise bu bir ülkenin dışarıdan kazandığından daha fazlasını dışarı ödediği anlamına gelir, ve farkı kapatmak için dış sermaye akışına ihtiyaç duyar / onu kullanır. Negatif alarak cari açığı (negatif değer) pozitif bir risk seviyesine çeviriyoruz, çünkü dış sermayenin birden bire durması mümkündür bu da ülkenin kuru üzerinde bir risk yaratır.

Değişken: exports, ihracat büyümesi, baz alınan GMD verisi exports_USD

Bu değişken için exports_USD yani dolar bazında ihracatın log değerlerinin farkları alınır ki bu dolaylı olarak bir artış oranı hesaplar (matematiksel olarak $\log(y_{t} / y_{t-1}) = \log(y_t) - \log(y_{t-1})$ olduğunu biliyoruz [5]). Eğer zayıf ya da negatif ihracat artışı var ise bu bir ülkenin kuruna olan talebin zayıf olduğuna işaret eder, ki bu zayıflık o ülkenin ithalatı için gereken dövizin alımını, ya da mevcut döviz bazlı borcun geri ödenmesini zorlaştırır, ve yaklaşan bir krize işaret edebilir.

Değişken: output, Reel GSMH Büyümesi

Kullanılan baz GMD değişkeni rGDP, ekonominin reel üretiminin büyümesi hızını gösterir. Üstte bahsedilen loglama tekniği yine kullanılır, ve değerin negatifi alınır böylece ekonomik daralmalar, yavaşlamalar pozitif değerlere sebep versin, pozitif risk sinyali alınabilsin. Yani küçülme (negatif değer) eksi ile çarpılınca pozitif (artan risk) haline gelir.

Değişken: infl, Enflasyon

Baz değişken infl, bu değerin negatife çevrilmesine gerek yoktur, artan enflasyon direk artan kur kriz riski anlamına gelir. Artan enflasyon yerel para biriminin nisbi alım gücünü aşağı indirir, makroekonomik stabilite bozukluğu, disiplinini kaybetmiş para politikasına işaret edebilir. Yükselen enflasyon para birimine olan güveni baltalar, onun bir tasarruf aracı olarak kullanılmasını engelleyecektir.

Değişken: credit

nGDP üzerinden hesaplanan nominal GSMH büyümesi paraya olan işlemsel (transactional) olan talebin büyümesini gösterir. İşlemsel derken her türlü alım / satım işleminden bahsediyoruz, ki bu gerçek ekonominin büyümesine işaret ediyor. M2 sayısı ise tüm ekonomideki mevcut likit para seviyesidir, bankadaki vadesiz, ya da hızla nakite çevrilebilen her tür yatırım onun içindedir, sistemde dolaşım halinde olan likiditenin göstergesidir. Nominal GSMH büyümesinden M2 büyümesini çıkartırsak elde edilen değer gereğinden fazla tetiklenmiş parasal büyümeye işaret eder, yani sistemde gerçek ekonomik büyümenin gerektirdiğinden daha fazla para arzı vardır. M2 ekonominin kendisinden daha hızlı şekilde büyüyorsa, bu parasal bir şişme yaratılmış demektir. Bu fazlalık aşırı kredi talebi, varlık yatırım balonları, ithalatta fazla yükseliş, sermaye kaçışı gibi sonuçlara yol açabilir, ve tüm bu olası sonuçlar gelmekte olan bir kur krizinin habercisi olabilir.

Değişken: rer_dev, gerçek döviz kuru trendinden sapma (Real Exchange Rate Deviation)

Bu hesabı yapmadan önce onun baz aldığı rer nasıl hesaplanır onu görelim. Kriz tahmini için yayınlanan döviz kuru rakamı tabii ki yeterli değil, zaten yeterli olsaydı bu belgede anlatılan tüm taklalara gerek kalmazdı. Saptanmaya uğraşılan bir ülke kurunun özellikle sabitlenmiş rejimlerde suni olarak belli seviyelerde olmaları fakat makro ekonomik olaylar sebebiyle savunulamayacak hale gelmesi ve devalüasyon durumu... Bu durumda, listelenen kur tabii ki tahmin için yeterli değil çünkü kontrol edilen kur doğal makroekonomik anlamda doğru değil.

O zaman "gerçek" kuru nasıl hesaplarız? Bir ülkenin fiyat seviyesini mesela ABD fiyat seviyesi ile karşılaştırabiliriz. Eğer bir ülkenin fiyat seviyesi CPI ise onu ABD ile US_CPI / CPI formülüyle karşılaştırabiliriz. CPI ekonomi çalışanların bilebileceği üzere hayali bir alışveriş sepetini doldurmanın kaça mal olacağını hesaplar. Gündelik ihtiyaçlar, yiyecek, içecek, ev kirası, giyim, vs. gibi pek çok alım kalemi onun içinde mevcuttur. Dikkat, CPI enflasyon hesabı degildir, enflasyon bu sepetin yıldan yıla değişimi üzerinden hesaplanır.

Şimdi rer hesabına gelelim, her $t$ senesi için

$$ \text{RER}_t = \frac{\text{USDfx}_t\times \text{USCPI}_t}{\text{CPI}_t} $$

$USDfx_t$: Aktif (nominal) doviz kuru

$\text{USCPI}_t$: ABD fiyat seviyesi

$\text{CPI}_t$: Yerel fiyat seviyesi

Yerel denilen ülke hangi ülkeyi analiz ediyorsak odur, eğer Arjantin inceleniyorsa onun fiyat seviyesinin ABD fiyat seviyesine (aktif kur üzerinden ABD yerele çevirildikten sonra) oranına bakılır. Burada yakalanmaya uğraşılan sinyaller var; eğer yerel enflasyon ABD enflasyonundan daha fazla artmışsa (oran büyümüşse) yerel ürünler yabancı ürünlere göre daha pahalı hale gelmiştir. Fakat diyelim ki aktif döviz kuru bu enflasyon göz önüne alarak değiştirilmiş, bu durumda reel alım gücü oranı sabit kalabilir.

Ya da yerel enflasyon çok artmıştır, ama hükümet ya da yerel merkez bankası suni olarak aktif döviz kurunu yanlış yerde sabitlemiş olabilir, bu durumda yerel ürünler dolar bazında çok pahalı hale gelir, ve ülkenin uluslararası rekabetçiliği zarar görür, ticari dengesi bozulur, gerçek döviz kuru (yani rer) çok yükselir. Bu sinyal analiz için faydalı olacaktır. Ülke ekonomisine zarar veren eylemler krize yol açma potansiyeli olan anlara işaret edebilir.

Altta Arjantin ülkesi için tarif edilen hesabın nasıl yapıldığını görüyoruz.

import pandas as pd

df = pd.read_csv("/opt/Downloads/gmd/gmd.csv")
df = df[df.year > 1950]
us_cpi = df[df.ISO3 == "USA"].set_index("year")["CPI"]
dlog = lambda s: np.log(s.where(s > 0)).diff()
country = "ARG"

def build(g):
    g = g.sort_values("year").set_index("year")
    g = g.reindex(range(int(g.index.min()), int(g.index.max()) + 1))
    g["ISO3"] = g["ISO3"].ffill().bfill()
    idx = g.index
    rer = np.log((g["USDfx"] * us_cpi.reindex(idx) / g["CPI"]).where(lambda s: s > 0))
    rer = rer.replace([np.inf, -np.inf], np.nan)
    return rer

dfs = df[df["ISO3"] == country]
res = build(dfs)

crisis_years = dfs[dfs['CurrencyCrisis'] == 1]['year']
for cy in crisis_years:
  plt.axvline(x=cy,color='red',linestyle='--',alpha=0.7)

res.plot()
plt.savefig('curr_02.jpg')

Fakat salt rer tek başına yeterli değil. Ülkelerin ABD'ye göre kur seviyeleri, oran olarak hesaplamış olsak bile, birbirinden değişik olabilir, herkesin fiyat seviyesi farklıdır. O zaman tüm ülkeleri kapsayacak rer bazlı bir regresyon iyi sonuç vermez. Fakat her ülke için farklı olsa da rer'den sapma kalıplarına odaklanırsak, daha faydalı bir sinyal çıkartabiliriz. İşte rer_dev burada devreye girer. Bir trend hesaplarız, o trend'den sapmayı sinyal haline getiririz. Trend hesabını kaydırılan bir pencere üzerinde lineer regresyon ile hesaplayabiliriz. Altta bu hesabı örnek bir zaman serisi üzerinde görüyoruz (Amazon şirketinin senet fiyatı),

import pandas as pd

def rolling_trend(x):
    mask = ~np.isnan(x)
    if mask.sum() < 5: return np.nan
    X = np.arange(len(x))[mask]
    Y = x[mask]
    p = np.polyfit(X, Y, 1)
    return np.polyval(p, len(x) - 1)
df = pd.read_csv('../../../tser/tser_008_data/AMZN.csv').tail(1000)
df['trend'] = df.Close.rolling(window=100, min_periods=5).apply(rolling_trend, raw=True)
df.plot()
plt.savefig('curr_01.jpg')

Artık sapmaları hesaplamak gayet basit, ham veriyi trend'den çıkartınca geri kalan sapma olacaktır.

Kodlama

Ekte görülen kod ile sistemin eğitim fazı gerçekleştirilir ve elde edilen ağırlıklar üzerinden tahmin yapılabilir. Bir senedeki üstte tanımlı değişkenler üzerinden elde edilen veri bir sonraki senedeki kriz varlığı 0/1 etiketiyle lojistik regresyona verilir, ve sonraki adımda tahmin yapılmaya uğraşılır.

Dikkat: Eğitim verisi oluşturulurken o anda kriz yaşayan seneler bir sonraki sene krizi tahmini için kullanılmaz. Bu nokta önemli, bunun yapılmasının sebebi kriz olduğu sırada onunla mücadele etmek için yapılan eylemlerin makroekonomik sinyalleri bozabilme ihtimali. Kriz sırasında hükümetler sıra dışı müdaheleler yapabilirler, bunları eğitimin dışında tutmak analiz için faydalı olur.

Sınıflama amacıyla kullanılan teknikten bahsedelim; tahmin edilen sene için lojistik regresyon ile bir kriz olasılığı rakamına bakmak mümkün. Fakat daha direk bir cevap şöyle alınabilir; eğitimden sonra eğitim kümesinde tüm veri noktalarının kriz olasılığı hesaplanır, ve bu sonuçlar sıralanır. Ardından tahmin sırasında üretilen kriz olasılığının bu listede hangi aralığa, hangi yüzdelik dilime (quantile) düştüğü bulunur, ve kriz ihtimal sinyali bu aralığa göre hesaplanır. Yani tahmin belli dilimler içinde ise bu yüksek / alçak kriz olasılıkları gibi algılanabilir. Kod içinde tehlike seviyeleri ortalama (açık sarı -amber-), ve yüksek (kırmızı -red-) ile, sayısal olarak 0.80 ve 0.90 yüzdelik dilimleri üzerinden tanımlandı.

import curr_crisis

logit, tier_ref, cut_amber, cut_red, full, train = curr_crisis.train_logit()
Train obs: 3892, Test obs: 518
Test target distribution:
target
0.0    510
1.0      8
Name: count, dtype: int64
                           Logit Regression Results                           
==============================================================================
Dep. Variable:                 target   No. Observations:                 3892
Model:                          Logit   Df Residuals:                     3885
Method:                           MLE   Df Model:                            6
Date:                Thu, 12 Nov 2026   Pseudo R-squ.:                 0.03404
Time:                        10:55:31   Log-Likelihood:                -635.44
converged:                       True   LL-Null:                       -657.83
Covariance Type:              cluster   LLR p-value:                 5.170e-08
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
const         -3.2773      0.094    -34.694      0.000      -3.462      -3.092
ca             0.1090      0.090      1.216      0.224      -0.067       0.285
rer_dev        0.0597      0.060      0.995      0.320      -0.058       0.177
exports        0.1758      0.122      1.442      0.149      -0.063       0.415
output         0.2990      0.098      3.046      0.002       0.107       0.491
infl           0.1898      0.056      3.385      0.001       0.080       0.300
credit         0.0752      0.107      0.701      0.483      -0.135       0.285
==============================================================================

AUC in-sample (train): 0.6892129025656767
AUC out-of-time (test): 0.7230392156862745

Tier reference (training sample, in-sample):
          n  crises  hit_rate  lift_vs_train_base
tier                                             
AMBER   389    31.0  0.079692            1.975537
GREEN  3113    84.0  0.026984            0.668919
RED     390    42.0  0.107692            2.669672
curr_crisis.predict("TUR", 2027, logit, tier_ref, cut_amber, cut_red, full, train)
=== Single country-year prediction ===
                            ISO3: TUR
                     target_year: 2027
              features_from_year: 2026
                     probability: 0.0469
             percentile_vs_train: 80.1901
                            tier: AMBER
             tier_train_hit_rate: 0.0797
                 train_base_rate: 0.0403
          crisis_in_feature_year: False
  realized_crisis_in_target_year: nan
                imputed_features: ['credit']

Feature breakdown:
         z_score   coef  contribution
ca         0.462  0.109         0.050
rer_dev    1.444  0.060         0.086
exports   -0.237  0.176        -0.042
output     0.026  0.299         0.008
infl       0.857  0.190         0.163
credit     0.000  0.075         0.000

Kodlar

curr_crisis.py

[devam edecek]

Kaynaklar

[1] GMD Github

[2] GMD

[3] GMD Makalesi

[4] Reinhart, Leading Indicators of Currency Crises

[5] Bayramlı, Zaman Serisi Veri Analizi


Yukarı