GOOGLE ARAMA MOTORU VE TÜRK LIRASI - DOLAR KURUNU BELIRLEYEN YAPISAL MODELLER

DEPARTMENT OF ECONOMICS WORKING PAPER SERIES GOOGLE ARAMA MOTORU VE TÜRK LIRASI - DOLAR KURUNU BELIRLEYEN YAPISAL MODELLER Levent Bulut No: 15-01 July 2015

Google Arama Motoru ve Türk Lirası - Dolar Kurunu Belirleyen Yapısal Modeller Yrd. Doç. Dr. Levent Bulut İpek Üniversitesi İşletme ve Yönetim Bilimleri Fakültesi Ekonomi Bölümü Turan Güneş Bulvarı 648. Cadde 06550 Oran, Çankaya Ankara Türkiye Email: lbulut@ipek.edu.tr Tel: 0-312 470 4684 Fax: 0-312-470 0007 1

Google Arama Motoru ve Türk Lirası - Dolar Kurunu Belirleyen Yapısal Modeller Özet: Bu çalışmada, Google arama kayıtları kullanılarak yapısal döviz kuru modellerinin makroekonomik belirleyenlerinin kısa vadeli tahminleri (nowcast) elde edilmiştir. Sadece Google arama kayıtları kullanılarak yapılan örneklem dışı döviz getirisi tahminleri sabitli ve sabitsiz tesadüfi yürüyüş modellerinden daha iyi performans göstermiştir. Ayrıca, Google arama kayıtlarından Satın-alma Gücü Paritesi ve Monetarist yapısal döviz kuru modellerine denk gelen makroekonomik göstergelerle ilintili arama kayıtları o modellerde kullanılan mevcut makro göstergelere eklendiğinde ise, yapısal modeller tesadüfi yürüyüş modelinden daha iyi performans göstermişlerdir ki bu sonuçlar döviz kuru bağlantısızlığı muamması literatürü için önemli bir bulgudur. Döviz getirilerinin örneklem dışı tahmin performanslarındaki bu artışı, gecikmeli makroekonomik verilerce tam olarak ölçülemeyen piyasa beklentilerinin Google arama kayıtlarınca bir şekilde yakalanması olarak yorumlamak mümkündür. Anahtar Kelimeler: Meese-Rogoff Muamması, Döviz-Kuru Bağlantısızlığı Muamması, Google Trends. JEL Sınıflaması: F31, F37, C52. 2

1. Giriş Modern çağda, internet, bilgi ve iletişim teknolojilerindeki gelişmelere paralel olarak geniş bir yelpazede çok hızlı ve büyük oranda veriler toplanmakta. İnternette yapılan her arama ve ziyaret edilen her sayfa kayıt altına alınmaktadır. Bu çalışmada Google arama kayıtları kullanılarak Türk Lirası-ABD doları döviz kurunu etkileyen temel makroekonomik göstergelerle alakalı internet arama motoruna girilen kelimeleri tespit edip, hareketli regresyonlar (Rolling regression) yöntemi ile örneklem dışı tahmin performanslarına bakılarak, alternatif yapısal döviz kuru modellerine kıyasla Google arama sonuçlarının nasıl performans gösterdikleri incelenmiştir. Ayrıca, Satın-alma Gücü Paritesi ve Monetarist modeller gibi iki temel yapısal döviz kuru modellerine her bir modelin ekonomik göstergeleri ile ilintili Google arama kayıtlarının eklenmesinin tesadüfi yürüyüşler modeline kıyasla örneklem dışı tahmin performanslarına ne tür etki ettiği de araştırılmıştır. Modern çağda üretilen verilerin makroekonomik araştırmalarda kullanılması henüz başlangıç aşamasındadır. Einav ve Levin (2014) sosyal paylaşım ağı sitelerindeki tüketici eğilimlerinden tüketicilerin enflasyon beklentileri hakkında bilgi alınabileceğini göstermiştir. Lamont (1997) basılmış gazetelerde geçen kıtlık kelimesinin tekrarlanma frekansının Amerika daki enflasyon göstergelerini tahmin edebildiğini tespit etmiştir. Choi ve Varian (2012) Google arama kayıtlarını kullanarak tüketici beklentilerini başarılı bir şekilde ölçebilmiştir. Askitas ve Zimmermann (2009) ise Google arama kelimeleri ile Almanya daki işsizlik oranları arasında çok kuvvetli bir ilişki olduğunu ortaya çıkarmıştır. D Amuri (2009) ise İtalya daki işsizlik oranının tahmin edilebilmesinde Google Trends deki iş ile alakalı arama kayıtlarının önemini ortaya koymuştur. Bunun yanında, Suhoy (2009) İsrail verilerini 3

kullanarak Google arama kayıtları ile ekonomik göstergeler arasında kayda değer ilişkiler olduğunu ortaya çıkarmıştır. Koop ve Onorante (2013) Google Trends olasılıklarının önemli ekonomik dönüm noktaları ve yapısal kırılmaları çok iyi tahmin ettiklerini göstermiştir. Döviz kuru ile alakalı olarak da Kristoufek (2013) dijital döviz kuru Bitcoin fiyatı ile Google arama kayıtları ve Wikipedia arama kayıtları arasında kuvvetli ilişki olduğunu göstermiştir. Bu araştırmada Google Trends kullanılarak makroekonomik göstergelerle alakalı arama motorlarına girilen belli başlı kelimeler vasıtasıyla makro göstergelerle ilintili ölçütler elde edilmeye çalışılmasının bir sebebi resmi makamlarca açıklanan göstergelerin piyasaya gecikmeli olarak sunulmasıdır. Örneğin, Amerika, Almanya, Japonya gibi gelişmiş ülkelerde fiyat verileri bir aylık gecikme ile yayınlanmakta. Bunun yanında, piyasa yapıcıları üretim ve tüketim kararlarında, fiziksel yatırım kararlarında ve de finansal araçların alınıp satılması gibi yatırım kararları verirken, ellerinde resmi makroekonomik veriler olmadığından, mevcut piyasa verilerini kullanarak şekillendirdikleri makroekonomik tahminleri üzerine kararlarını bina etmektedirler. Döviz kuru seviyesini belirleyen temel faktörlerden bir tanesi de piyasa beklentileri olduğundan, Google Trends verilerinin anlık makroekonomik gösterge tahminlerini yakalamada kullanılması bu çalışmanın literatüre yaptığı bir katkı olarak düşünülebilir. İkinci bir hedef ise atıl vaziyette duran fakat önemli olduğuna inanılan internet arama motorlarından elde edilecek bilgilerin yapısal döviz kuru modellerinin tahmin performanslarını arttırıp arttırmadığının test edilmesidir. Bu araştırmada Google Trends verilerinden anlamlı sonuçlar elde edilebileceği öngörüsünün temelinde arama motorları vasıtasıyla ekonominin gidişatı hakkında doğru ve zamanında bilgi elde edilebileceği varsayımı yatmaktadır. Guzman (2011) da belirtildiği üzere, arama motorlarından elde edilen verileri bir tür ifşa edilmiş tercihler olarak yorumlamak 4

mümkündür. Çünkü internet kullanıcıları arama motorlarına ya öğrenmek istedikleri bir konu ya da endişe duydukları şeyler hakkında daha fazla bilgi elde etmek için arama kelimeleri girmektedirler. Elgin (2004) arama motorları ile yönlendirilen internet kullanıcıları sayısının 2001 yılında %67 değerinden 2004 yılında %88 oranına ulaştığını tespit etmiştir. Arama motorları arasında Google arama motoru ise sektörde liderliğini sürdürmektedir zira Mayıs 2015 verilerine göre Google arama motoru %69 pazar payı ile arama motorları içerisinde açık ara önde gitmektedir. Yani, arama motoru ile internet üzerinde arama yapan her 100 kişiden 69 tanesi Google arama motorunu tercih etmektedir. Dolayısı ile Google arama motoru verileri bu araştırmada kullanılmıştır. 2. Literatür Taraması Döviz kuru seviyesinin makroekonomik göstergelerce belirlendiği tezine dayalı yapısal döviz kuru modellerinin ampirik olarak test edilmesinde uygulanan bir yaklaşım, rasyonel beklentiler varsayımını kullanarak, mevcut olmayan piyasa döviz kuru beklentileri verisi yerine, gerçekleşen döviz kuru verilerini kullanmak sureti ile modellerin performanslarını örneklem dışı geriye dönük tahmin edilebilirliği vasıtasıyla ölçmektir. Meese ve Rogoff (1983), tesadüfi yürüyüşler varsayımının en az yapısal modeller kadar iyi örneklem dışı tahmin yapabildiğini göstererek literatüre, hala sıcak bir şekilde tartışılan, Messe-Rogoff muamması ya da döviz kuru bağlantısızlığı muammasını (Exchange rate disconnect puzzle) kazandırmışlardır. Literatürde Meese & Rogoff muammasını çözmeye matuf çok sayıda araştırma yapılmıştır. Farklı döviz kurlarını denemek, farklı dönemler için bakmak, resmi veriler revize edilmeden önce testler yapmak ve farklı doğrusal yapısal modeller yapmak suretiyle 5

muammayı çözme adına yapılan çalışmalar Meese ve Rogoff (1983) un bulgularını ciddi manada terse çevirecek cinsten olmamıştır. Bununla beraber, yakın zamanda yapılan bazı çalışmalar (Mark (1995), Engel, Mark ve West (2007), Gourinchas ve Rey (2007), Molodtsova ve Papell (2009)) yapısal modeller lehine olumlu tahmin performanslarını ortaya çıkarmıştır. Fakat Rogoff ve Stavrakeva (2008) bu çalışmaların çoğu güçlülük testinde aynı sonuçları veremediklerini göstermiştir. Bunun yanında Evans ve Lyons (2002, 2005) mikro temelli modelleri yapısal makro modellerle birleştirerek geliştirdikleri hibrid modellerin tesadüfi yürüyüşlere göre çok daha iyi performans gösterdiklerini ileri sürmüşlerdir. Fakat bu hibrid modeller çok yüksek frekanslı tahminler için iyi performans göstermekte, tahmin frekansları 1 aya düşünce, Chinn ve Moore (2011) da gösterildiği üzere, ortaya o kadar da net bir performans çıkmamaktadır. En son olarak literatürün bir kolu yapısal modellerin doğrusal modeller olmak zorunda olmadığını dolayısı ile doğrusal olmayan hatta parametrik olmayan modellerle tesadüfi yürüyüşlere göre daha iyi sonuçlar getirecek modeller üzerinde yoğunlaşmıştır. Diebold ve Nason (1990) ve Meese ve Rose un (1991) bu konuda yaptıkları ilk çalışmalar ise Meese ve Rogoff(1983) bulgularının doğrusal olmayan modellerle ters yüz edilemeyeceğini göstermiştir. Yakın zamana kadar yapılan çalışmalarda, model performansları örneklem dışı test edilirken, farklı modellerden elde edilen hata terimlerinin karelerinin ortalamaları (HTKO) tesadüfi yürüyüş modeli ile karşılaştırılıp, popülasyonda iki farklı modelin HTKO ları arasındaki farkın sıfır olup olmadığına bakılmıştır. Literatüre nokta tahmin (point forecast) olarak geçen bu yaklaşıma alternatif olarak tahminlerin dağılımına (density forecast) da bakılmıştır. Bu yaklaşımda yapısal modellerden elde edilen örneklem dışı tahminlerin dağılımının yoğunlukları karşılaştırılarak elde edilen performans ölçümlerinin tesadüfi 6

yürüyüşlere göre daha iyi bir sonuç verip vermediğine bakılmaktadır. Diebold Gunther ve Tay (1998), Clements & Smith (2000) ve Berkowitz (2001) yapısal modellerin tahmin dağılımının yoğunluklarını ölçen yöntemler geliştirmiş olsalar da, bu yaklaşımla yapısal modellerin tesadüfi yürüyüş modeliyle karşılaştırılması mümkün değildir. Fakat daha sonra Corradi & Swanson (2006), geliştirdikleri yöntemle, Diebold & Mariano (1995) testi ile aynı mantıkta fakat nokta tahmin yerine, farklı iki modelden elde edilen yoğunluk tahminlerinin popülasyonda aynı yoğunluğa sahip olup olmadıklarını test eden bir istatistik geliştirmişlerdir. Bu yöntemi kullanarak yapılan çalışmalar da Meese & Rogoff muammasını açıklamaya yeterli olmamıştır. Çok yakın zamanlı bir çalışmada ise Maasoumi & Bulut (2012) tahmin dağılımları arasındaki farkı ölçen entropi uzaklık ölçeğini kullanarak sadece kritik model için değil, her bir yapısal modeli performansları yönünden diğer modellerle karşılaştırabilmişlerdir. Tüm bu gelişmelere rağmen, döviz kuru bağlantısızlığı muamması hala literatürde aktif bir şekilde çalışılmaktadır. Bu çalışmada esas incelenecek olan Google arama motorlarından elde edilecek metriklerin yapısal modellerin tahmin performanslarına etkisi olduğundan, doğrusal-doğrusal olmayan ya da parametrik-non-parametrik model tartışmalarına girilmeden sadece nokta performans ölçümleri kullanılarak doğrusal yapısal modellerden elde edilecek örneklem dışı tahmin değerlerinin performans karşılaştırılması yapılmıştır. Dağılım fonksiyonları ile elde edilen performans değerlendirmelerine Google arama motorlarının nasıl bir etki yapacağı ilgi çekici bir konu olarak sonraki çalışmalara bırakılmıştır. 3. Ampirik Metot Bu kısımda ampirik yaklaşım anlatılıp yapısal modellerden örneklem dışı tahminlerin nasıl 7

elde edildiği gösterilmiş, daha sonra nokta tahmin performans karşılaştırma metodu kısaca anlatılmıştır. En son olarak da Google Arama kayıtlarının sisteme nasıl eklendiği anlatılıp ampirik sonuçlar tartışılmıştır. Döviz kuru seviyesi stokastik bir dağılım (stationary process) göstermediğinden, bu literatürdeki çalışmalarda döviz kuru getirisi (döviz kuru seviyesindeki yüzdelik değişim) incelenmektedir. Eğer S t, dolar cinsinden 1 Türk lirasının değerini ifade edecek olursa, bu araştırmada açıklanmaya çalışılan değişken, aşağıda da belirtildiği şekliyle, Türk lirasının değer kazanma oranıdır. y t = log(s t ) log(s t 1 ). (1) Döviz kurunun doğal logaritması küçük harflerle ifade edilecek olursa, aşağıdaki ifade açıklanmaya çalışılan bağımlı değişkeni ifade etmektedir. y t = s t s t 1 (2) Aynı şekilde, X t, herhangi bir yapısal modeldeki açıklayıcı değişkenleri (makroekonomik göstergeler) barındıran bir vektör olacak olursa, yapısal modeli, genel manada, aşağıdaki denklemle ifade etmek mümkün olacaktır: y t = α + β X t + ε t. (3) Bu makalede, farklı modellerin tahmin performansları karşılaştırmasında, literatürde yaygın bir şekilde uygulanan hareketli regresyon yöntemi ile elde edilen örneklem dışı tahminler kullanılmıştır. Herhangi bir yapısal model için hareketli regresyon yöntemi ile örneklem dışı tahmin yapılırken, örneklem önce iki kısma ayrılmakta, birinci kısma alıştırma örneklemi (training sample) ikinci kısma da tahmin örneklemi (forecasting sample) denmektedir. Hareketli regresyon yönteminde alıştırma örneklemindeki gözlem sayısı sabit tutulmak şartı ile ilk uygulama örneklemindeki veriler için en küçük kareler yöntemi ile elde 8

edilen parametreleri tahmin örneklemindeki ilk ayın açıklayıcı değişkenlerini kullanarak o dönem için döviz getiri oranını tahmin edip (out-of-sample forecast) onu o ay için gerçekleşen döviz kuru getirisi ile karşılaştırarak o model için hata terimi elde edilmektedir. Daha sonra, uygulama örneklemi bir ay kaydırılmakta, ilk ayın gözlemi silinip tahmin örneklemindeki ilk ayın verisi uygulama örneklemine eklenerek gözlem sayısı sabit tutulmak suretiyle aynı işlem tekrarlanıp bir sonraki ay için döviz getiri tahmini ve hata terimi elde edilmektedir. Bu çalışmada, Ocak 2004-Haziran 2014 tarih aralığı için, döviz kurlarının getirisini tahmin ettiğimizden dolayı, elde 125 tane gözlem bulunmaktadır. Ocak 2004 ten Ocak 2009 a kadarki ilk 60 gözlem kullanılarak Şubat 2009 için ilk örneklem dışı tahmin aşağıdaki şekilde elde edilmiştir: y t+1 = α + β X t+1 (4) Yukarıda α ve β, en küçük kareler yöntemi (EKKY) yöntemi ile t ayına kadarki 60 gözlem kullanılarak elde edildikten sonra t + 1 ayındaki ekonomik göstergeler kullanılarak döviz kurunun getiri oranı o ay için tahmin edilmiştir, (y ). t+1 Daha sonra örneklem bir ay kaydırılarak, Ocak 2004 verileri düşürülüp Şubat 2009 verileri örnekleme eklenerek, gözlem sayısı 60 da sabitlenip tekrar EKKY yöntemi ile yeni α ve β değerlerı hesaplanarak bir sonraki ay için döviz kuru getiri tahmini elde edilip bu yöntem eldeki tüm veriler kullanılarak, Şubat 2009 dan Haziran 2014 e kadar ki dönem için aylık döviz getiri tahminleri elde edilmiştir. 3.1. Veriler ve Yapısal Modeller Bu çalışmada sadece Türk lirası-abd doları döviz kuru incelenmiştir. Spot nominal döviz kuru S $ ile ifade edilmiştir. Doviz kuru dolar cinsinden ifade edildiğinden dolar kurundaki artış TL 9

doların zayıflaması Türk lirasının ise değer kazanması anlamına gelmektedir. Yapısal model olarak iki tane model incelenmiştir. Bunlar Satın-alma Gücü Paritesi ve Monetarist modellerdir. Her bir yapısal model için kullanılan makroekonomik göstergeler Tablo (1) de sıralanmıştır. Tablo 1: Yapısal Modeller Yapısal Model Kullanılan makroekonomik göstergeler listesi (X t ) Satın-alma Gücü Paritesi Modeli q t = p US p TR s Monetarist Model (m US m TR ) ( y US y TR ) Not: Bu araştırmada sadece iki tane yapısal döviz kuru modeli incelenmiştir. Tablo her bir model için kullanılan bağımsız değişkenlerin listesini göstermektedir. Tablo (1) de q t reel doviz kurunu p US ABD deki fiyat seviyesini (CPI, 2010 yılı baz alınarak), p TR ise 2010 yılı baz alınarak Türkiye deki fiyat seviyesini (TÜFE), s ise dolar cinsinden TL için döviz kurunu göstermektedir. m US ve m TR her iki ülkedeki parasal tabanı, y US 2010 yılı baz alınarak ABD deki imalat sanayi üretim endeksini, y TR de aynı şekilde 2010 yılı baz alınarak Türkiye deki imalat sanayi endeksini göstermektedir. Bu araştırmada tüm verilerin doğal logaritması alınıp 100 le çarpılarak daha kolay yorumlanabilen değerler elde edilmiştir. Parasal büyüklüğü ölçme adına her iki ülkede M1 değeri kullanılmıştır. Fiyat seviyesini ölçme adına her iki ülkede de aylık tüketici fiyat endeksi kullanılmıştır (CPI ve TÜFE). Yapısal modellerin daha detaylı açıklamaları ve nasıl elde edildikleri ile ilgili Molodtsova ve Papell (2009) ve Wang ve Wu (2012) çalışmalarına başvurulabilir. Hareketli regresyon yöntemi ile elde edilen örneklem dışı tahmin performanslarına geçilmeden önce Google arama kayıtlarının bu çalışmada nasıl kullanıldığı anlatılmış daha sonra da ampirik sonuçlara geçilmiştir. 10

3.2. Google Arama Kayıtları Google Trends ücretsiz olarak kullanıcılarına her bir ülke için ve de tüm dünya için, arama motoruna yazılan herhangi bir kelime ya da kelime topluluğu için 0 ila 100 arasında değişen, arama sorgulaması yoğunluğunu belirten endeks verilerini yayınlamakta, veriler haftalık frekansta olup 2004 yılı ocak ayının ilk haftasından itibaren verilmektedir. Google Trends endeksi, k ayı t haftası için, aşağıdaki formüle göre yayınlanmaktadır: GT k t = 100 SR t k SR (5) k Yukarıdaki formülde SR t k ayı t haftasındaki sorgulanan kelime için toplam sorgulama sayısını vermektedir. SR ise 2004 yılı 1.haftasından o tarihe kadar geçen haftalar içerisinde kaydedilen o kelimenin en yüksek sorgulama sayısını ifade etmektedir. Google Trends sadece endeks değerini (GT k t ) müşterileri ile paylaşmakta fakat toplam arama sayılarına ulaşmak mümkün olmamaktadır. Ayrıca, arama sayısı belli bir seviyenin altında kaldığı haftalar için endeks değeri yayınlanmamaktadır. Bu çalışmada Google arama kayıtları kullanılarak Türkiye ve ABD için belli başlı makroekonomik gösterge beklentilerini haftalık bazda yakalamaya çalışan ölçütler elde edilmeye çalışılmıştır. Örneğin, Türkiye deki fiyat seviyesini dolayısıyla da enflasyon oranını tahmin etmek için Google Trends verilerini kullanırken belli başlı arama kelimeleri için endeks numarasına bakarak, endeks numaralarının arttığı zamanlarda ülke olarak ortalamada artan fiyat seviyelerinin endişe verici boyutlara çıktığını, endeks numarasının çok azaldığı durumlarda ise enflasyonun çok kaygı verici seviyelerde olmadığı çıkarımına varılarak bir çeşit ifşa edici tercihler yakalanmaya çalışılmıştır. 11

Satın-alma Gücü Paritesi modeli için her iki ülkedeki enflasyon seviyeleri, rekabet seviyelerindeki değişiklikler ve ithal mallara olan taleplerdeki değişiklikler gibi reel döviz kurunun belli başlı belirleyenlerinin piyasa beklentilerini yakalamak için Google arama motoruna girilen Türkiye için 8, ABD içinse 11 tane kelime ya da kelime öbeğine bakılmıştır. Aynı şekilde Monetarist model için fiyat seviyeleri, likidite talebi, ülkedeki toplam gelir miktarı gibi Monetarist modelin belli başlı ekonomik ölçütleri için piyasa beklentilerini yakalama adına Türkiye için 13, ABD içinse 15 tane (bunlardan enflasyonla ilintili olanlar aynı zamanda Satın-alma Gücü Paritesi modeli için de kullanılmıştır) arama kelime öbeği için Google Trends verileri toplanmıştır. Tablo (2) de de gösterildiği üzere, Türkiye de enflasyon oranını yakalama adına Google Arama motoruna yazılan Enflasyon, Tefe, Tüfe ve Enflasyon oranları kelimeleri kullanılmıştır. Her ne kadar mutlak Satın-alma Gücü Paritesi modeli ülkeler arası fiyat arbitrajının ithalat ve ihracat yoluyla ortadan kalktığını dolayısı ile reel döviz kurunun sabit ve bire eşit olduğunu varsaysa da gerçek hayatta taşıma maliyetleri, gümrük vergileri, benzer vergiler ve diğer alışveriş masraflarını da eklediğimizde fiyat arbitrajının ortaya çıktığı bir gerçektir. Ayrıca veriler kısa vadede reel döviz kuru ile nominal döviz kurunun birlikte hareket ettiğini göstermektedir. Bu çalışmada Rekabet, İhracat, İthalat ve Dolar Kuru arama motoru kayıtları ile Türkiye için reel döviz kurundaki değişimler yakalanmaya çalışılmıştır. ABD için ise, enflasyon beklentilerini yakalama adına Google a girilen Inflation, Inflation rate, Rate of Inflation, CPI, Price Index, Consumer Price Index, What is the Inflation rate, Rising Prices, ve Rising Inflation arama kelimeleri kullanılmıştır. ABD için TL ye karşı reel döviz kurundaki değişimleri yakalama adına Competitiviness ve Made in Turkey gibi arama kayıtları kullanılmıştır. Google arama kayıtlarından elde edilen faktör skorlarının makroekonomik 12

göstergelerdeki salınımları ne kadar yakalayabildiğini gösterme adına Şekil 1 ve 2 de Türkiye ve ABD deki enflasyon oranları ile Google arama kayıtlarından elde edilen faktör skorları gösterilmiştir. Özellikle ABD için Google arama kayıtlarının fiyat hareketlerindeki değişiklikleri bir nebze de olsa yakalayabildiğini söylemek mümkündür. Şekil 1: Enflasyon Oranı: Türkiye Şekil 2: Enflasyon Oranı: ABD. 13

Tablo 2: Araştırmada Kullanılan Google Arama Kayıtlarının Listesi Google Trends verileri Türkiye Enflasyon (PPP+MM) Tefe (PPP+MM) Tüfe (PPP+MM) Enflasyon oranları (PPP+MM) Rekabet (PPP) İhracat (PPP) İthalat (PPP) Dolar Kuru (PPP) Çeyrek Altın (MM) Kredi (MM) Yatırım (MM) Para(MM) İş arıyorum (MM) Harcama (MM) Tatil Yerleri(MM) Kredi Kartı (MM) Kariyer (MM) Google Trends verileri ABD Inflation (PPP+MM) Inflation Rate (PPP+MM) Rate of Inflation (PPP+MM) CPI (PPP+MM) Price Index (PPP) Consumer Price Index (PPP) What is the inflation Rate (PPP) Rising Prices (PPP+MM) Rising Inflation (PPP+MM) Competitiveness (PPP) Made in Turkey (PPP) Cash (MM) Checking Account (MM) Need credit (MM) Spend Money (MM) Need Job (MM) Buy a stock (MM) Debit card (MM) Job vacancy (MM) Credit card (MM) Notlar: (PPP) Satın-alma Gücü Paritesi modelini, MM ise Monetarist modeli ifade etmektedir. Her iki model için de kullanılan kelimeler (PPP+ MM) şeklinde ifade edilmiştir. Tatil yerleri, Çeyrek altın gibi sezonluk değişim gösteren veriler sezonluk etkilerden arındırılarak incelenmiştir. 14

Monetarist yaklaşım döviz kurunu modellerken her iki ülkedeki para piyasalarındaki denge durumunu kullanarak, fiyat seviyesini o ülkedeki parasal büyüklük, para talebi, alış-veriş teknolojilerindeki değişiklikler ve milli gelir cinsinden hesaplamaktadır. Satın-alma Gücü Paritesini kullanarak da döviz kurunu iki ülkedeki fiyat seviyeleri cinsinden yazar. Tablo 2 Monetarist model için döviz kuru getirisinin makroekonomik belirleyenleri için toplanan arama kelimelerini listelemiştir. Bu amaçla, Türkiye için gelir durumundaki değişimleri yakalama adına Google arama motoruna girilen Çeyrek Altın, Yatırım, İş Arıyorum, Harcama, Tatil Yerleri ve Kariyer kelimeleri seçilmiştir. Türkiye de gelir seviyesi arttıkça halkın altın ya da başka yatırım araçlarına yöneleceği, tatile gitme ve harcamalarında artış olacağı beklenebilir. Aynı şekilde ekonomide daralma olduğunda ve de milli gelirin azaldığı durumlarda, internet üzerinden iş arayanların kariyer sitelerine özgeçmiş bırakanların artacağı beklenmektedir. Ayrıca ülkedeki nakit para talebi ve alış-veriş teknolojilerindeki değişimleri yakalama adına Google arama motorlarına girilen Kredi, Para ve Kredi Kartı kelimeleri incelenmiştir. Ülkedeki para talebinin bir sebebi de fiyat seviyesindeki değişmeler olduğundan, Enflasyon, Tefe, Tüfe ve Enflasyon oranları da Monetarist model için kullanılmıştır. ABD içinse Monetarist modelde gelir seviyesini ölçme adına Google arama motorunda sorgulaması yapılan Spend Money, Need Job, Buy a stock ve Job vacancy kelimeleri kullanılmıştır. Piyasadaki para talebindeki değişiklikleri ölçme adına ise Cash, Checking Account, Need Credit, Debit Card ve Credit Card arama kelimeleri kullanılmıştır. Para talebinin bir başka değişkeni olan fiyat seviyesi içinse Inflation, Inflation Rate, Rate of Inflation, CPI, Rising Prices ve Rising Inflation arama kelimeleri kullanılmıştır. Son olarak da, Google arama kayıtları haftalık frekansta, bununla birlikte diğer makroekonomik göstergeler aylık frekansta olduğundan ekonometrik analizler için haftalık endeksler her ay için ortalama değerleri alınarak aylık frekansa dönüştürülmüştür. 15

3.3. Örneklem Dışı Nokta Tahminlerin Değerlendirilmesi Literatürde model performans değerlendirmesi yapılırken, yapısal modellerce üretilen örneklem dışı tahminlerden elde edilen hata oranları, tesadüfi yürüyüş modellerince (sabitsiz ve sabitli) elde edilen tahmin hataları ile karşılaştırılmaktadır. Diebold ve Mariono (1995) ve West (1996), bu amaçla, her iki modelden elde edilen örneklem dışı tahmin hataları karelerinin ortalamalarını (THKO) karşılaştırmayı teklif etmişlerdir. Bunu şu şekilde ifade edebiliriz: THKO J = yt ) 2 N j t=r+1 (y t (6) Yukarıdaki denklem j döviz kuru modeli için örneklem dışı tahmin hataları karelerinin ortalamasını vermekte. R uygulama örnekleminin sabit gözlem sayısını, N toplam gözlem sayısını, y j t j modelinden elde edilen örneklem dışı döviz kuru getiri tahminini, y t ise o dönemde gerçekleşen döviz kuru getirisini göstermektedir. Bu yaklaşımda her bir modelden elde edilen örneklem dışı tahmin değerleri ve gerçekleşen döviz kuru getirileri kullanılarak hata terimleri elde edilmektedir. Daha sonra da hata terimlerinin karesini veren fonksiyonun ki buna kayıp fonksiyonu (loss function) da denmektedir, kıstas modelden elde edilen hata terimlerinin arasındaki farkın ortalamasının popülasyonda sıfıra eşit olup olmadığı test edilmektedir. Elde edilen test istatistiği popülasyonda sıfıra eşitse her iki modelin de eşit derecede tahmin gücü olduğu sonucuna ulaşılır. Fakat Clark ve McCracken (2001) yapısal model ve kıstas model yuvalanmış modeller (nested) olduklarından, Diebold ve Mariano (1995) test istatistiğinin normal dağılmadığını 16

göstermiştir. Bu çalışmada, bu gerçeği kontrol ederek literatüre düzeltilmiş Diebold ve Mariano testi olarak da geçen Clark ve West (2006) testi (CW testi) kullanılmıştır. Clark ve West testi şu şekilde ifade edilebilir. CW = THKO k THKO d j (avar(thko k THKO j d )) 1/2 (7) Burada, THKO k kıstas modelden - ki bu ya sabitli ya da sabitsiz tesadüfi yürüyüş modelidir - elde edilen hata terimlerinin kareleri ortalamasını, THKO d j ise yapısal döviz kuru modelinden elde edilen hata terimlerinin kareleri ortalamasının Clark-West yöntemi ile düzeltilmiş halidir ki bu düzeltme test istatistiğinin normal dağılım göstermesi için gerekli bir düzeltmedir. Yukarıdaki denklemde payda kayıp fonksiyonunun standart sapmasını göstermektedir. 3.3.1. Ampirik Sonuçlar Türk Lirası-ABD doları döviz kuru getiri oranının Satın-alma Gücü Paritesi, Monetarist model ve Google Trends için örneklem dışı tahmin performansları Tablo (3) de gösterilmiştir. Panel A sabitsiz tesadüfi yürüyüşler kıstas modeli için sonuçları göstermektedir. Hareketli regresyon yöntemi ile Şubat 1999 ayı ve sonrası için örneklem dışı tahmin performansları, Clark & West test istatistiği kullanılarak test edilmiştir. Normal dağılım gösteren CW test istatistiği popülasyonda yapısal model ile kıstas modelin aynı tahmin gücüne sahip olduğu boş hipotezini test etmektedir. Boş hipotezin istatistiksel olarak ret edilmesi ve de CW test istatistiğinin sıfırdan büyük olması yapısal model lehine daha iyi tahmin performans gösterdiği anlamına gelmektedir. Tablo (3) de görüldüğü üzere Satın-alma Gücü Paritesi modeli ve sabitsiz tesadüfi yürüyüşler modeli istatistiki olarak benzer performans göstermiştir. 2. Sütunda Monetarist model için sonuçlar gösterilmektedir. Sonuçlar, Monetarist modelin sabitsiz tesadüfi yürüyüşler modelinden istatistiki güven aralığında daha iyi performans gösterdiğini ifade 17

etmektedir. Kıstas model olarak da sabitli tesadüfi yürüyüşler modeli kullanıldığında ise, Panel-B de gösterildiği üzere, her iki yapısal model de kıstas modelden daha iyi performans gösterememişlerdir ki sonuçlar bu haliyle Meese & Rogoff muammasının adı geçen modeller için hala geçerliliğini koruduğunu göstermektedir. Tablo (3) de en son sütunda döviz kuru getiri oranını tahmin etme adına Türkiye için 17, ABD içinse 20 tane Google arama kelimeleri ham halleriyle açıklayıcı değişken kabul edilip döviz kuru getiri oranı hareketli regresyon yöntemi ile tahmin edilmiştir. Burada Google Trends verilerinin regresyona nasıl eklendiği ile ilgili herhangi bir teorik dayanak olmadığından bunu yapısal bir model olarak kabul edemeyiz. Temel hedef Google arama kayıtlarının döviz getiri oranlarını tahmin etme gücünü test etmekten ibarettir. Tablo (3) de de görüldüğü üzere, sadece Google arama kayıtları ham halleri ile kullanılarak yapılan örneklem dışı tahmin değerleri hem sabitli hem de sabitsiz tesadüfi yürüyüş modellerinden daha iyi göstermektedir. CW testi de bunu net bir şekilde ortaya koymaktadır. Tablo 3: Döviz Kuru Modelleri Tahmin Performansı Satın-alma Gücü Paritesi Modeli Monetarist Model Google Trends Panel A: Kıstas Model: Sabitsiz Tesadüfi Yürüyüşler Modeli ( y t = ε t ) CW Test İstatistiği 0.448 1.418 2.011 P-değeri 0.328 0.081 0.024 Panel B: Kıstas Model: Sabitli Tesadüfi Yürüyüşler Modeli ( y t = α + ε t ) CW Test İstatistiği -0.209 1.002 1.949 P-değeri 0.583 0.160 0.028 Notlar: Burada CW testi örneklem dışı nokta tahmin performansını ölçmek için kullanılmıştır. Boş hipotezi alternatif model ile tesadüfi yürüyüşler modelinin popülasyonda aynı tahmin gücüne sahip olduğudur. Alternatif hipotez ise yapısal modelin daha iyi performans gösterdiğidir. Tablo, Dolar- Türk lirası döviz kuru getirisi için Şubat 2009- Haziran 2014 arası örneklem dışı tahmin değerleri kullanılarak oluşturulmuştur. İstatistiki güven aralığında sıfırdan büyük CW değerleri yapısal modelin daha iyi performans gösterdiği seklinde yorumlanmaktadır. 18

Bu sonuçlar Meese & Rogoff muamması literatüründe çok ilginç bir sonuç olarak karşımıza çıkmaktadır. Ekonomik göstergeler piyasa yapıcılarına belli bir gecikme ile ulaşmaktadır. Model değerlendirmelerinde bu gecikmeli verilerin kullanılması yerine Google arama kayıtları kullanılarak elde edilen göstergelerin kullanılması yapısal modeller lehine sonuçlar ortaya çıkarmıştır. Tabi burada iddia edilen Google arama kayıtlarının daha iyi makroekonomik gösterge ölçütü oluşturduğu değildir zira gecikme ile de olsa resmi kaynaklarca ilan edilen değerler makroekonomik göstergelerin en belirgin ölçüsünü vermektedir. Bununla beraber piyasa yapıcıları ekonomik kararlarında o an için düşündükleri ekonomik göstergelerin beklenti değerleri kıstasıyla hareket etmektedirler. Piyasa yapıcıları kararlarını bu beklentilerine göre veriyorlarsa Google arama kayıtları da bu tür beklentileri bir şekilde ölçüyorsa, yukarıdaki tabloda ortaya çıkan sonuçlar daha da mantıklı bir hal almaktadır. Google arama kayıtlarının Meese & Rogoff muamması literatüründe ne tür sonuçlar vereceğini anlama adına bu arama kayıtları içerisinden sadece seçilen yapısal modelin kullandığı makro gösterge ile ilintili olanların regresyona eklenmesi ile elde edilen genişletilmiş modelin performansına bakılmıştır. Meselâ Satın-alma Gücü Paritesi varsayımına dayalı yapısal döviz kuru modelinde açıklayıcı değişken reel döviz kurudur. Bu çalışmada, reel döviz kurunun belirleyenleri olan nominal döviz kuru ve her iki ülkedeki fiyat seviyeleri ile ilintili Google Trends verileri modele ekstra açıklayıcı değişken olarak eklenip, bu genişletilmiş yapısal modelin örneklem dışı tahmin performansı test edilmiştir. Aynı şekilde, Monetarist model içinse her iki ülke için modeldeki açıklayıcı değişken olan milli gelir durumu, genel fiyat seviyesi, para arz ve talebi ve likidite talebi gibi göstergelerle alakalı Google arama kayıtları Monetarist modele eklenip, örneklem dışı tahmin performansındaki değişime bakılmıştır. Bu genişletilmiş yapısal modeller Tablo (4) de özetlenmiştir. 19