BİST SINAİ SEKTÖRÜ SİSTEMATİK RİSK BİLEŞENLERİNİN ANALİZİ

Tam metin

(1)Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. B ST SINA SEKTÖRÜ S STEMAT K R SK B LE ENLER N N ANAL Z Dr. Ersin GÜMÜ. 1. Prof. Dr. Metin ÇO KUN2. Gönderim tarihi:16.11.2018. Kabul tarihi: 25.08.2019. Özet irketler ve sektöre özgü sebeplerden kaynaklanan ve çe itlendirme ile ortadan olu olu tururken; sistematik olmayan riskin ka yönetsel risk olu mada B incelenmi. , bu risklerin bile ma sonucunda, B en veya bile enlerden biri olarak tespit edilmi tir. Analizlerde,. edilebilmesi amac piyasa faizi olarak kabul edebilece bile en olarak görülmü tür.. türülmü tür. Reel. Anahtar Kelimeler: JEL Sınıflaması: G10, G17, E44. THE ANALYSIS OF BIST INDUSTRY SECTOR SYSTEMATIC RISK COMPONENTS Abstract Risk concept consists of the non-systematic risk, originating from situations pertain to sector and the firms, also restrainable by diversification, and the systematic risk, originating from general structure of the market. Inflation risk, currency risk, interest rate risk and the political risk generate the sources of the systematic risk, besides that financial risk, operational risk, industrial risk and management risk generate the sources of the non-systematic risk. In this study, systematic risks of 7 sub-sectors, which are traded in BIST Industry Index were decomposed by using CAPM model; also relations between their components were analyzed on sectoral basis. As a result of this study, inflation was determined as the most efficient component or one of the most efficient components which increased systematic risks of 7 sub-sectors, that are traded in BIST Industry Index. In analyses, indicator interest rate data were transformed real indicator interest rate data to avoid the correlated effect of interest rate and inflation and to detect the effect of interest rate aright. Real indicator interest rate accepted as real effective interest rate was found out as second component which effects systematic risks. Keywords: Systematic Risk, CAPM, Risk Decomposition, Time Series Analysis JEL Classification: G10, G17, E44 1. Dr. Ersin GÜMÜ. 2. Prof. Dr. Metin ÇO KUN, Anadolu Üniversitesi, ktisadi ve dari Bilimler Fakültesi, E-posta: metincoskun@anadolu.edu.tr ORCID ID: 0000-0002-3110-8650. ., E-posta: ersingm@gmail.com ORCID ID: 0000-0001-5916-2686. 43.

(2) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. 1. Giriú Risk kavram, “belirsizlik”, “emin olmama”, “tehlike”, “zarar olasl÷” kavramlaryla birlikte kullanlmaktadr (Dworak, 1985:64). ùirketler temel olarak iki risk türü ile karú karúyadrlar; sistematik ve sistematik olmayan risk. Bu temel iki riskin ölçülmesi, ayrútrlabilmesi ve bileúenlerinin tespit edilmesi, bize bu temel riskleri etkileyen faktörlerde meydana gelen de÷iúimler karúsnda, sistematik ve sistematik olmayan risklerin nasl etkilenece÷i hakknda bilgi verecektir. Benzer úekilde sektörler baznda da sistematik ve sistematik olmayan riskleri ayrútrmak ve bu risklerin bileúenlerini tespit etmek bize sektörlerin risk yaplar hakknda bilgi sunacak, yatrm kararlar ve yatrm analizlerinde destek olacaktr. Bu çalúmann amac, BøST Snai Endeksi içinde yer alan 7 alt sektörün CAPM modeli kullanlarak sistematik risklerini ayrútrmak ve bu risklerin bileúenleri tespit etmektir. Analizler sonucunda BøST Snai sektöründeki her alt sektörün sistematik risklerini hangi de÷iúkenlerin etkiledi÷i belirlenecektir. Risk ayrútrmalarna yönelik birçok çalúma yaplmú olmasna karún, sistematik ve sistematik olmayan risklerin belirleyicileri üzerine yaplan çalúmalar oldukça snrl kalmútr. Yaplan çalúmalar daha çok beta katsaysn etkileyen de÷iúkenler üzerine odaklanmútr. Bu çalúmada ise beta katsays risk ayrútrmada kullanlan bir ölçüt olarak ele alnmú, sistematik ve sistematik olmayan riskler, endekslere ait zaman serisi verileri üzerinden CAPM modeli aracl÷yla bu ölçüt kullanlarak hesaplanmú ve ayrútrlmútr. Risk hesaplamalar ve ayrútrmalar sonucunda sektörlere ait sistematik risk serileri elde edilmiútir. Ba÷ml de÷iúkenlerimiz sektörler baznda oluúturulmuú, bu de÷iúkenleri etkileyen ba÷msz de÷iúkenlerle aralarndaki iliúkiler analiz edilmiú, böylece alt sektörler baznda sistematik risk bileúenleri tespit edilmiútir. CAPM modeli bir menkul kymetin beklenen getirisi ve risk derecesi arasndaki iliúkiyi göstermektedir. Risk ise beklenen getiriden meydana gelebilecek sapma olarak tanmlanmaktadr. CAPM, varlklarn sistematik riskleri ve beklenen getirileri arasndaki do÷rusal iliúkiyi modellemektedir. Model aracl÷yla elde edilen beta katsays menkul kymetin piyasa getirisiyle iliúkisini göstermektedir. Literatürde risk ayrútrma üzerine yaplan birçok çalúmada da CAPM modeli kullanlmú, beta katsaylar üzerinden sistematik ve sistematik olmayan risk ayrútrmalarna gidilmiútir. Bu çalúmada da sektörler baznda risk ayrútrmalarna gidilirken CAPM modeli kullanlmú ve risk serileri bu úekilde elde edilmiútir. 44.

(3) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. Çalúmann giriú bölümünde çalúmann amac ve önemi belirtilmiú; ikinci bölümde çalúma ile ilgili tanmlar ve temel kavramlara yer verilmiú; üçüncü bölümde literatür sunulmuú; dördüncü bölümde çalúmann veri seti ve analiz yöntemi açklanmú, çalúmaya iliúkin bulgular ortaya konmuútur. Son bölümde ise sonuçlar yorumlanmú, öneriler aktarlmútr.. 2. Sistematik ve Sistematik Olmayan Riskler – CAPM Modeli Risk, genel olarak beklenen de÷erden olumlu ya da olumsuz sapma olarak tanmlanmaktadr (Aydeniz, 2008:4). Ancak pratikte, risk daha çok negatif bir etki olarak alglanmaktadr. Tek tarafl olarak bakld÷nda ise risk, arzu edilmeyen bir olay veya etkinin ortaya çkma olasl÷dr (Balkç, 2009: 33). Finansal piyasalarda belirsizlik ve risk kavramlar birbirleriyle karútrlmaktadr. Risk, belirsizli÷in ölçülebilen ksmn ifade etmektedir. Gelece÷e iliúkin olaslk tahmini, subjektif olarak yaplyorsa belirsizlikten, objektif olarak yaplyor ise riskten söz ediliyor demektir (Usta, 2008:253). 2.1. Sistematik ve Sistematik Olmayan Riskler Toplam riskin bileúenleri sistematik ve sistematik olmayan risklerdir. Sistematik riskler ekonomide yer alan tüm úirketleri etkileyen ekonomik, politik ve di÷er çevre úartlarndan do÷an risklerdir ve çeúitlendirmeyle yok edilmesi mümkün de÷ildir (Aksoy ve Tanröven, 2007). Sistematik olmayan riskler, tek bir sektör veya firmaya özgü olan ve sadece bunlar etkileyen risklerdir (Ceylan ve Korkmaz, 2004:456). Yatrmclar toplam riskleri (sistematik risk ile sistematik olmayan risk toplam) çok iyi bir çeúitlendirme ile sistematik olmayan riskleri düúürerek azaltabilir. Ancak sistematik risk tüm firmalar etkiledi÷i için yatrmclar ayn ekonomi içerisinde yapacaklar çeúitlendirme ile bu tür riskleri azaltamayacaklardr (Emery vd., 2004:296). Sistematik risk türleri genel olarak enflasyon riski, kur riski, faiz oran riski, pazar (piyasa) riski ve politik riskten oluúmaktadr (Krl, 2006:122). Sistematik olmayan riskin kaynaklar ise; finansal risk, endüstriyel risk, faaliyet riski ve yönetsel risktir.. 45.

(4) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. ùekil 1: Risk Kaynaklar. Kaynak: Ceylan, 2001, s. 538. 2.2. CAPM Modeli Farkl getiri hesaplama yöntemleri oldu÷u gibi, riski ölçmek için de de÷iúik metotlar kullanlmaktadr. Bunlardan en yaygn ölçüm úekli varyans ya da varyansn karekökü olan standart sapmadr (Tekbaú vd., 2014:42). Tek bir menkul kymetin varyans ve standart sapmas, örneklem getirileri alnrsa aúa÷daki úekilde hesaplanacaktr: (1). (2) : i menkul kymetinin varyans : i menkul kymetinin standart sapmas : i menkul kymetinin getirisi : menkul kymetin n dönemdeki getirilerinin aritmetik ortalamas : Dönem (getiri) says 46.

(5) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. CAPM (SVFM) Modeli, ilk defa Sharpe (1964) tarafndan ortaya konulmuútur. Model daha sonra Lintner (1965) ve Mossin (1966) tarafndan geliútirilmiú ve model son úeklini almútr. CAPM Modeli, herhangi bir menkul kymetin beklenen getirisi ile risk derecesi arasndaki iliúkiyi gösterir. Bu iliúki, genel olarak do÷rusaldr. (Ceylan, 2001:550-551). SVFM’ in matematiksel açklamas aúa÷daki gibidir: (3) : Beklenen getiri : Piyasa portföyünün getirisi : Risksiz faiz oran : Varl÷n betas Bu ba÷lamda beta katsays, menkul kymet getirisinin piyasa portföyünün getirisindeki de÷iúimlere karú duyarll÷n ölçen bir katsaydr. Beta katsaylarnn hesaplanmas, hisse senetlerinin veya hisse senetlerinden oluúan portföylerin sistematik ve sistematik olmayan risklerinin ayrútrlabilmesine olanak tanmaktadr. Piyasa getirileri ve hisse senedi getirileri üzerinden, piyasa portföyü ve hisse senedine ait standart sapmalar hesaplanp, beta katsays yardmyla hisse senedinin sistematik ve sistematik olmayan riski ayrútrlabilmektedir (Usta ve Demireli, 2010).. 3. Literatür Taramas Sharpe (1963), portföy teorisi literatürüne yeni bir bakú açs kazandrd÷ çalúmasnda, bir varl÷n toplam riskini sistematik risk ve sistematik olmayan risk úeklinde bileúenlerine ayrmútr. King (1966) çalúmasnda, 1927 – 1960 yllar arasnda 6 Endüstri kolundan 63 NYSE firmasyla bir örneklem oluúturmuú ve çok de÷iúkenli istatistiksel metot kullanarak risk ayrútrma yöntemini uygulamútr. Bu çalúma sonucunda, yarya yakn hisse senetlerinin varyans, pazarn davranúlar ile açklanabilmiútir. Sistematik riskin belirleyicileri üzerine ilk çalúma Beaver, Kettler ve Scholes (1970) tarafndan gerçekleútirilmiútir. Bu çalúmada, 1947-1965 yllar arasnda 307 ABD úirketinin beta de÷erleri hesaplanmú ve bu de÷erler ile baz muhasebe verileri arasnda önemli bir iliúki bulundu÷unu belirlenmiútir. 47.

(6) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. Rosenberg ve McKibben (1973), 1950-1971 yllar arasn ve 578 hisse senedini kapsayan çalúmalarnda beta için 32 de÷iúken saptamúlardr. Bu de÷iúkenleri, muhasebe, pazar ve pazar de÷eri temelli olmak üzere üç snfa ayrmúlardr. Çalúmada hem tarihi veriler hem de muhasebe temelli veriler kullanlmútr. Söz konusu veriler regresyon analizi kullanlarak beta ile iliúkilendirilmiútir. Muhasebe temelli verilerin kullanlmas, gelece÷i tahmin gücünü önemli ölçüde artrmútr. Thompson II (1976), 1951-1968 döneminde 290 ABD úirketinde finansal kaldraç, úirket büyüklü÷ü ve likiditenin sistematik riski en fazla etkileyen faktörler oldu÷unu ortaya koymuútur. Mandelker ve Rhee (1984), 1957-1976 yllar arasnda 255 ABD imalat úirketinin faaliyet ve finansal kaldraç derecelerinin beta de÷erlerindeki de÷iúimin büyük bölümünü açklad÷n belirlemiúlerdir. Van Zijl (1987), çalúmasnda risk ayrútrma sürecinde varyans yerine standart sapma kullanlmas gerekti÷ini ifade etmiú ve gerçekleútirdi÷i analizde beta katsaysnn sfrdan küçük oldu÷u durumlarda varyans ayrútrmasnn hatal oldu÷unu ve bunun da çeúitlendirilemeyen riskin hatal tahmin edilmesi sonucunu do÷urdu÷unu bulmuútur. Mausser ve Rosen (1998), çalúmalarnda portföylerin riske maruz de÷erini (VAR) hesaplamúlar ve bu úekilde riskin kaynaklarnn belirlenmesine yönelik çalúmalar yapmúlardr. Usta ve Demireli (2010) yaptklar çalúmada, øMKB’de hipotetik bir portföy oluúturmuú, finansal varlklar fiyatlandrma modeli aracl÷yla söz konusu portföyün riskini ölçümlemiúlerdir. Daha sonra hisse senetlerinin riskini toplam piyasa riskinden arndrarak risk ayrútrmas yapmúlar, böylece sistematik risk düzeyini saptamúlardr. Tanröven ve Aksoy (2011), yaptklar çalúmada øMKB imalat sektörü úirketlerinin 1997-2008 yllar arasndaki borçlanma oranlar, úirket büyüklükleri ve satúlarndaki büyümenin beta ile ayn yönde iliúkili oldu÷unu, likidite ve karllk oranlarnn ise sistematik riski etkilemedi÷ini belirlemiúlerdir. Lee ve Hooy (2012), 41 havayolu úirketi ile yapt÷ çalúmada, Kuzey Amerika úirketleri sistematik risklerinin kârllk ve faaliyet kaldracndan pozitif; Asya ve Avrupa úirketleri sistematik risklerinin ise faaliyet kaldracndan pozitif, kazanç büyümesinden ise negatif yönde etkilendi÷i sonucunu ortaya koymuúlardr. Sartaú ve Kaya’nn (2012) yapt÷ çalúmada, øMKB’de sektör baznda 2001-2010 yl48.

(7) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. lar arasnda 24 farkl sektörün aylk kapanú fiyatlar kullanarak endekslerin riskleri ölçülmüú, risk ayrútrlmas yaplmú ve sistematik risk ve sistematik olmayan riskler hesaplanmútr. Yaplan çalúmada endekslerin büyük bir ksmnda riskin %90’nn üzerinde sistematik riskten kaynakland÷ saptanmútr. Ancak savunma, finansal kiralama, gayrimenkul yatrm ortakl÷ ve sigorta endekslerinde sistematik olmayan risk yaklaúk % 40 olarak bulunmuútur. Iqbal ve Shah (2012) yaptklar çalúmada, Karaçi Borsas’nda yer alan 93 finansal olmayan firmada 2005 – 2009 dönemi için sistematik riskin belirleyicilerini 8 de÷iúkenle incelemiúlerdir. Sistematik risk de÷iúkeni olarak beta katsaylarn kullanmúlardr. Sistematik risk ile likidite, kaldraç oran, iúletme verimlili÷i, temettü ödemeleri ve hisse senedi piyasa fiyatlar arasnda negatif; kârllk, firma büyüklü÷ü ve geliúimi arasnda ise pozitif iliúki tespit etmiúlerdir. Qureshi, Kutan, Khan ve Qureshi (2019) çalúmalarnda Çin’de piyasa riski, fon akúlar ve piyasa getirileri arasndaki iliúkiyi yapsal VAR ve indirgenmiú VAR modelleri ile 2005 – 2016 yllar arasnda aylk ve üçer aylk verilerle incelemiúlerdir. øndirgenmiú VAR modelinde fon akúlarnn piyasa riskini azaltt÷; yapsal VAR modelinde ise piyasa riski ve piyasa getirilerinin fon akúlarna ba÷l oldu÷u görülmüútür. Kamran ve Malik (2019) Pakistan’da petrol sektöründeki 12 úirkette, temel performans göstergelerinin sistematik risk üzerindeki etkisini 2005 – 2015 yllar arasnda aylk verilerle incelemiúlerdir. Kârllk, iúletme verimlili÷i, iúletme geliúimi ve tobin q rasyosunun sistematik risk üzerinde belirgin etkileri oldu÷unu tespit etmiúlerdir. Xing ve Yan (2019) çalúmalarnda, muhasebe bilgi kalitesi ile sistematik risk arasndaki iliúkiyi incelemiúlerdir. 1962’den 2012 ylna kadar, CRSP (Center for Research in Security Prices) ve Compustat veri tabanlarnda kaytl firmalar üzerinde yaptklar çalúmada muhasebe bilgi kalitesi ile sistematik risk arasnda negatif iliúki oldu÷unu görmüúlerdir.. 4. Çalúmann Veri Seti, Yöntem ve Bulgular 4.1. Çalúmann Veri Seti BøST Snai ana sektörü içinde yer alan 7 alt sektörün (Gda-øçecek, Tekstil–Deri, Orman-Ka÷t-Basm, Kimya-Petrol-Plastik, Taú-Toprak, Metal Ana, Metal Eúya-Makine) BøST endeks günlük kapanú verileri üzerinden 2002 – 2016 yllar aras günlük getiri serileri oluúturulmuú, bu getiri serileri üzerinden de 3’er aylk dönemlerde standart sapmalar ve 3’er aylk dönemler baznda BøST-100 piyasa endeksine göre beta katsaylar hesaplan49.

(8) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. mútr. Toplam riskleri temsil eden 3’er aylk standart sapmalar sektör betalar kullanlarak sistematik ve sistematik olmayan risk serilerine ayrútrlmútr. Böylece ba÷ml de÷iúkenleri temsil eden sistematik risk serileri sektör endeks verileri üzerinden oluúturulmuútur. Sistematik risk bileúenleri olarak, ba÷msz de÷iúkenleri oluúturacak enflasyon verileri ile büyüme verileri TÜøK veri tabanndan, reel efektif döviz kuru endeksi ve cari açk verileri TCMB veri tabanndan, gösterge faiz verileri Bloomberg Data Terminali’nden, politik risk verisi olarak kullanlacak ICRG Politic Risk Ratio verisi The PRS Group firmas web sayfasndan temin edilmiútir. 4.2.Yöntem Sektörün a÷rlklandrlmú portföy yapsn simgeleyen sektör endeks getirileri ile piyasa portföyünü simgeleyen piyasa endeksi getirileri üzerinden sektörlere ait beta katsaylar hesaplanp, sektörlere ve piyasa portföyüne ait toplam riskin de hesaplanmasyla beta katsaylar kullanlarak sektörlere ait risk ayrútrmalarna gidilmiútir. Risk ayrútrmasnda; RMD (Riske Maruz De÷er) beta yöntemi yaklaúm bize piyasa endeksi volatilitesi kullanlarak bir hissenin, portföyün veya endeksin sistematik riskinin bu úekilde ayrútrlabilece÷ini göstermektedir. Usta ve Demireli (2010) çalúmalarnda RMD (Riske Maruz De÷er) beta yöntemi yaklaúm ile hisse senedi sistematik risk hesaplamalarn aúa÷daki formülle gerçekleútirmiúlerdir (Usta ve Demireli, 2010: 34): (4) Bu yaklaúmdan yola çkarak bir endeksin sistematik ve sistematik olmayan riskleri aúa÷daki formül aracl÷yla hesaplanabilmektedir: (5) : A sektörünün sistematik olmayan riski : A sektörünün toplam riski (A sektörü standart sapmas) : A sektörü beta katsays : Piyasa portföyü toplam riski (Piyasa portföyünün standart sapmas) : A sektörünün sistematik riski Cohen ve di÷erleri çalúmalarnda, getiri aral÷nn artmas durumunda, iúlem hacmi az olan hisselerde di÷er hisselere göre beta katsaylarnn artt÷n tespit etmiúlerdir. Çalúmada 50.

(9) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. ileri sürülen di÷er bir nokta ise, getiri aral÷ uzad÷nda, hisse getirileri ile piyasa getirisi arasndaki korelasyon de÷erinin azald÷dr (Cohen vd.,1980). Bu açdan sistematik ve sistematik olmayan riskin ayrútrlmas amaçl analizlerde, hem standart sapmalarn hem de betalarn hesaplanmas aúamasnda ayn getiri aralklar ve ayn dönem uzunluklarnn kullanlmas hesaplamalar açsndan tutarllk sa÷layacaktr. Çalúmada kullanlan sektörlere ait sistematik risk serileri, sektörlerin 3’er aylk hesaplanan standart sapmalarndan, yukarda yer alan formül ile ayrútrlarak elde edilmiútir. Böylece sektörlere ait 3’er aylk sistematik risk serileri oluúturulmuú, 60 dönemlik zaman serisi verileri hazrlanmútr. Sistematik riskin ba÷msz de÷iúkenleri olarak; reel gösterge faizi, tüfe, reel efektif döviz kuru endeksi, ICRG politik risk rasyosu, cari açk ve büyüme (takvim ve mevsim etkisinden arndrlmú) verileri kullanlmútr. Gösterge faiz verisi, enflasyon verisi tüfe ile yüksek korelasyona sahip oldu÷u için reel gösterge faiz verisine dönüútürülmüútür. Reel gösterge faiz verisine dönüútürmede reel faiz = ((1 + nominal faiz) / (1 + enflasyon oran)) – 1 úeklindeki reel faiz formülü kullanlmú olup, elde edilen reel gösterge faiz verisi ile tüfe oranlar arasndaki korelasyon tekrar incelenmiútir. Yüksek korelasyon de÷erinin ortadan kalkt÷ tespit edilmiútir. Sektörlere ait risk serilerine iliúkin grafikler aúa÷da sunulmuútur. Grafik 1: Gda-øçecek Sektörü – Risk Serileri. Kaynak: BøST endeks kapanú verileri kullanlarak yazarlar tarafndan oluúturulmuútur.. 51.

(10) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. Grafik 2: Orman-Ka÷t-Basm Sektörü – Risk Serileri. Kaynak: BøST endeks kapanú verileri kullanlarak yazarlar tarafndan oluúturulmuútur.. Grafik 3: Taú-Toprak Sektörü – Risk Serileri. Kaynak: BøST endeks kapanú verileri kullanlarak yazarlar tarafndan oluúturulmuútur.. 52.

(11) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. Grafik 4: Tekstil-Deri Sektörü – Risk Serileri. Kaynak: BøST endeks kapan ú verileri kullan larak yazarlar taraf ndan oluúturulmuútur.. Grafik 5: Kimya-Petrol-Plastik Sektörü – Risk Serileri. Kaynak: BøST endeks kapan ú verileri kullan larak yazarlar taraf ndan oluúturulmuútur.. 53.

(12) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. Grafik 6: Metal Ana Sektörü – Risk Serileri. Kaynak: BøST endeks kapanú verileri kullanlarak yazarlar tarafndan oluúturulmuútur.. Grafik 7: Metal Eúya - Makine Sektörü – Risk Serileri. Kaynak: BøST endeks kapanú verileri kullanlarak yazarlar tarafndan oluúturulmuútur.. Z da÷lm, Z puanlarnn evren da÷lm olarak tanmlanr. Z puanlarnn ortalamas 0, standart sapmas ise 1’dir. Z da÷lm olaslkl bir normal da÷lmdr. Yani Z da÷lmnn. 54.

(13) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. özelli÷i normal da÷lmla ayndr. Bu nedenle, Z da÷lm “standart normal da÷lm” olarak da adlandrlr. Verileri hatasz biçimde karúlaútrabilmek için aritmetik ortalama ve standart sapmadan yararlanrz. Aritmetik ortalama ve standart sapmann ayn oldu÷u gruplarda karúlaútrma yapabilmemiz kolaylaúr. Ancak aritmetik ortalama ve standart sapmann farkl oldu÷u da÷lmlarda; daha sa÷lkl karúlaútrma yapabilmek için bu verileri ayn aritmetik ortalama ve standart sapmaya sahip da÷lmlar haline dönüútürmek, yani standartlaútrmak gerekmektedir. Verilerin arasndaki farkllklarn ortadan kaldrlabilmesi ve normal da÷lma uygun formata dönüútürülebilmesi amacyla tüm verilerde standartlaútrma iúlemi yaplmú ve veriler Z puanlarna dönüútürülmüútür. Veriler standartlaútrlrken aúa÷daki formül kullanlmútr. (6) : Verilerin standartlaútrlmú de÷erleri : Verilerin ilk de÷eri : Verilerin ortalamas : Verilerin standart sapmas Standartlaútrlmú verilerle yaplacak regresyon analizlerinde sabit terim kullanlmamaktadr. Çünkü standartlaútrlmú açklayc ve açklanan de÷iúkenlerin ortalama de÷erleri sfr oldu÷undan sabit terim de sfr olmaktadr. Katsaylar, açklayc de÷iúken bir standart sapma artarsa açklanan de÷iúkenin de ortalama olarak kaç standart sapma artaca÷ úeklinde yorumlanmaktadr. Standartlaútrlmú bir açklayc de÷iúkenin katsays, ayn modelde yer alan baúka bir standartlaútrlmú açklayc de÷iúkenin katsaysndan büyükse, bu de÷iúken di÷erine oranla açklamaya daha çok katkda bulunacaktr (Gujarati ve Porter, 2012:158). Verilerin standartlaútrma iúlemi sonrasnda, 7 alt sektörde sistematik risk belirleyicileri için Eviews – 9 program aracl÷yla regresyon analizleri yaplmú ve model testleri gerçekleútirilmiútir. 4.3. Bulgular Öncelikle ba÷msz de÷iúkenler arasndaki korelasyon de÷erlerine baklmútr. De÷iúkenler arasndaki yüksek korelasyon de÷erleri çoklu do÷rusal ba÷lantya yol açabilmektedir. Ba÷msz de÷iúkenler arasndaki korelasyon de÷erlerinin % 60 seviyelerinin altnda oldu÷u görülmüútür. 55.

(14) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. Tablo 1: Ba÷msz De÷iúkenler Aras Korelasyon De÷erleri. TUFE. REEL REELEFK GOSFAIZ DOVIZKUR. ICRG CARI POLITIC ACIK. BUYUME. TUFE. 1,00. 0,42. -0,37. 0,04. 0,47. 0,17. REEL GOSFAIZ. 0,42. 1,00. -0,26. 0,45. 0,53. -0,05. REELEFK DOVIZKUR. -0,37. -0,26. 1,00. 0,36. -0,26. -0,04. ICRG POLITIC. 0,04. 0,45. 0,36. 1,00. 0,36. 0,09. CARI ACIK. 0,47. 0,53. -0,26. 0,36. 1,00. -0,03. BUYUME. 0,17. -0,05. -0,04. 0,09. -0,03. 1,00. Ba÷msz de÷iúkenler arasnda çoklu do÷rusal ba÷lant sorununun tespit edilmesi amacyla, Varyans Artú Faktörü (VIF) (Variance Inflation Factors) de÷erlerine baklmútr. VIF bir ba÷msz de÷iúkenin di÷er ba÷msz de÷iúkenlerle olan iliúkisini belirlemek için kullanlr. Hesaplamas aúa÷daki gibidir: (7) Burada. , k ba÷msz de÷iúkeninin di÷er ba÷msz de÷iúkenlerle arasndaki çoklu. korelasyon katsaysnn karesini temsil eder. E÷er ba÷msz de÷iúkenler arasndaki korelasyon katsays 0 veya 0 a yakn ise VIF de÷erinin de 1 olmas veya 1’e yukardan yaklaúmas beklenir. VIF de÷eri arttkça ba÷msz de÷iúkenler arasnda kuvvetli bir çoklu do÷rusal ba÷lantdan söz edebiliriz. Uygulamada 10’un üzerindeki VIF de÷erleri ciddi bir çoklu do÷rusal ba÷lant probleminin bulundu÷unu göstermektedir. Tablo 2: Ba÷msz De÷iúkenler VIF De÷erleri BAöIMSIZ DEöøùKENLER. 56. VIF DEöERLERø. TUFE. 1.587745. REELGOSTFAIZ. 2.006014. REELEFKDOVIZKUR. 1.775805. ICRGPOLITIC. 2.157934. CARIACIK. 1.775945. BUYUME. 1.123276.

(15) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. Ba÷msz de÷iúkenlerimizin VIF de÷erleri incelendi÷inde 10’un altnda oldu÷u görülmektedir. Modelde çoklu do÷rusal ba÷lant problemi bulunmamaktadr. “Breusch-Godfrey Serial Correlation LM Test” ile modeldeki otokorelasyon sorunu, “Heteroskedasticity Test: White” testi ile de modeldeki de÷iúen varyans sorunlar incelenmektedir. Bu testlerde ters hipotez geçerli olup, “Obs*R-squared” olaslklarnn %10, % 5 ve % 1 gibi düzeylerde anlaml çkmas bize modelde bu problemlerin var oldu÷una iúaret etmektedir. Bu çalúmada da otokorelasyon ve de÷iúen varyans problemleri bu testlerle incelenmiútir. Tablo 3: Gda–øçecek Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_GIDA. En Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER. KATSAYI. T - øSTATøSTøöø. OLASILIK. TUFE. 0,2898. 2,0923. **0,0411. REELGOSTFAIZ. 0,3100. 1,9914. ***0,0515. Küçük. REELEFKDOVIZKUR. -0,1527. -1,0425. 0,3018. ICRGPOLITIC. 0,0797. 0,4938. 0,6235. CARIACIK. -0,0107. -0,0732. 0,9419. BUYUME. -0,0473. -0,4056. 0,6866. R-KARE. 0,3476. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic. 0,022142. Prob. F(2,52). 0,9781. Obs*R-squared. 0,051054. Prob. Chi-Square(2). 0,9748. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 0,706807. Prob. F(6,53). 0,6455. Obs*R-squared. 4,445261. Prob. Chi-Square(6). 0,6167. Scaled explained SS. 3,560737. Prob. Chi-Square(6). 0,7359. Modelde, gda-içecek sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE %5 düzeyinde, Reel Gösterge Faiz % 10 düzeyinde anlaml çkmútr. Reel Gösterge 57.

(16) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. Faiz de÷iúkeninin katsays TÜFE de÷iúkeninin katsaysndan daha yüksek çkmútr. Reel Gösterge Faiz ve TÜFE’deki artúlar sistematik riski artrmaktadr. Modelin otokorelasyon ve de÷iúen varyans test sonuçlar incelendi÷inde modelde bu problemlerinin bulunmad÷ görülmektedir. Tablo 4: Orman-Ka÷t-Basm Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_KAGT. En Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER TUFE. KATSAYI 0,4031. T - øSTATøSTøöø 3,1940. OLASILIK *0,0023. REELGOSTFAIZ. 0,4040. 2,8478. *0,0062. REELEFKDOVIZKUR. -0,0915. -0,6852. 0,4962. ICRGPOLITIC. 0,2088. 1,4194. 0,1615. CARIACIK. -0,2089. -1,5647. 0,1235. BUYUME. -0,0400. -0,3764. 0,7081. R-KARE. 0,4583. Küçük. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic 2,047179. Prob. F(2,52). Obs*R-squared. 4,379432. Prob. Chi-Square(2) 0,1119. F-statistic. 1,437698. Prob. F(3,51). Obs*R-squared. 4,678561. Prob. Chi-Square(3) 0,1969. 0,1394. 0,2426. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 0,588481. Prob. F(6,53). 0,7380. Obs*R-squared. 3,747566. Prob. Chi-Square(6) 0,7108. Scaled explained SS. 2,829299. Prob. Chi-Square(6) 0,8299. Kurdu÷umuz modelde, orman-ka÷t-basm sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE ve Reel Gösterge Faiz %1 düzeyinde anlaml çkmútr. De÷iúkenlerin katsaylar da ayn büyüklüktedir. TÜFE ve Reel Gösterge Faiz’deki artúlar or58.

(17) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. man-ka÷t-basm sektörü sistematik riskini artrmaktadr. Modelin otokorelasyon ve de÷iúen varyans test sonuçlar incelendi÷inde modelde bu problemlerinin bulunmad÷ görülmektedir. Tablo 5: Taú-Toprak Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_TAST. En Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER TUFE. KATSAYI 0,2941. T - øSTATøSTøöø 2,0180. OLASILIK **0,0486. REELGOSTFAIZ. 0,3118. 1,9038. ***0,0623. REELEFKDOVIZKUR. -0,2144. -1,3913. 0,1698. ICRGPOLITIC. 0,1019. 0,5999. 0,5511. CARIACIK. -0,2450. -1,5894. 0,1178. BUYUME. -0,0275. -0,2247. 0,8230. R-KARE. 0,2778. Küçük. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic 1,850039. Prob. F(2,52). 0,1674. Obs*R-squared. 3,985715. Prob. Chi-Square(2). 0,1363. F-statistic. 1,299214. Prob. F(3,51). 0,2848. Obs*R-squared. 4,259901. Prob. Chi-Square(3). 0,2347. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 1,067346. Prob. F(6,53). 0,3937. Obs*R-squared. 6,468320. Prob. Chi-Square(6). 0,3728. Scaled explained SS. 4,951300. Prob. Chi-Square(6). 0,5501. Modelde, taú-toprak sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE %5, Reel Gösterge Faiz %10 düzeyinde anlaml çkmútr. De÷iúkenlerin katsaylar birbirine yakn olup, Reel Gösterge Faiz de÷iúkeninin katsays daha yüksek çkmútr. TÜFE ve Reel Gösterge Faiz’deki artúlar taú-toprak sektörü sistematik riskini artrmaktadr. Modelin otokorelasyon ve de÷iúen varyans test sonuçlar incelendi÷inde modelde bu problemlerinin bulunmad÷ görülmektedir. 59.

(18) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. Tablo 6: Tekstil-Deri Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_TEKS. En Küçük Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER TUFE. KATSAYI 0,4382. T - øSTATøSTøöø 3,2909. OLASILIK *0,0018. REELGOSTFAIZ. 0,3734. 2,4948. **0,0157. REELEFKDOVIZKUR. -0,1167. -0,8290. 0,4108. ICRGPOLITIC. -0,0456. -0,2937. 0,7701. CARIACIK. -0,2123. -1,5073. 0,1376. BUYUME. -0,0473. -0,4227. 0,6742. R-KARE. 0,3970. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic 1,973036. Prob. F(2,52). 0,1493. Obs*R-squared. 4,232009. Prob. Chi-Square(2). 0,1205. F-statistic. 1,460687. Prob. F(3,51). 0,2362. Obs*R-squared. 4,747451. Prob. Chi-Square(3). 0,1913. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 2,183507. Prob. F(6,53). 0,0590. Obs*R-squared. 11,891830. Prob. Chi-Square(6). ***0,0644. Scaled explained SS. 9,238470. Prob. Chi-Square(6). 0,1606. Heteroskedasticity Test: White F-statistic. 0,938258. Prob. F(21,38). 0,5504. Obs*R-squared. 20,487620. Prob. Chi-Square(21) 0,4906. Scaled explained SS. 15,916320. Prob. Chi-Square(21) 0,7743. Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic 1,191716. Prob. F(6,53). 0,3251. Obs*R-squared. 7,132428. Prob. Chi-Square(6). 0,3088. Scaled explained SS. 5,541006. Prob. Chi-Square(6). 0,4765. 60.

(19) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. Kurdu÷umuz modelde, tekstil-deri sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE %1, Reel Gösterge Faiz %5 düzeyinde anlaml çkmútr. De÷iúkenlerin katsaylar incelendi÷inde TÜFE de÷iúkeninin katsays, Reel Gösterge Faiz de÷iúkeninin katsaysndan daha yüksek çkmútr. TÜFE ve Reel Gösterge Faiz’deki artúlar taú-toprak sektörü sistematik riskini artrmaktadr. Ancak TÜFE’nin tekstil-deri sektörü sistematik riskini daha fazla etkiledi÷i görülmektedir. Tekstil-deri sektörü için oluúturdu÷umuz modelin otokorelasyon ve de÷iúen varyans test sonuçlar incelendi÷inde modelde otokorelasyon probleminin bulunmad÷ ancak de÷iúen varyans testi sonucunda de÷iúen varyans problemine iúaret edebilecek bir Obs*R-squared (%10) olasl÷ görülmüútür. Bu sebeple de÷iúen varyans probleminin tespiti için alternatif testler yaplmútr. White testinin bir farkl modellemesi ve Breusch-Pagan-Godfrey de÷iúen varyans testleri sonucunda de÷iúen varyans probleminin de bulunmad÷ görülmüútür. Tablo 7: Kimya-Petrol-Plastik Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_KMYA. En Küçük Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER TUFE. KATSAYI 0,4043. T - øSTATøSTøöø 2,9598. OLASILIK *0,0046. REELGOSTFAIZ. 0,3670. 2,3904. **0,0203. REELEFKDOVIZKUR. -0,0564. -0,3902. 0,6979. ICRGPOLITIC. 0,0127. 0,0796. 0,9369. CARIACIK. -0,1324. -0,9165. 0,3635. BUYUME. -0,0408. -0,3547. 0,7242. R-KARE. 0,3655. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic 2,145223. Prob. F(2,52). 0,1273. Obs*R-squared. 4,573188. Prob. Chi-Square(2). 0,1016. F-statistic. 1,403337. Prob. F(3,51). 0,2525. Obs*R-squared. 4,575270. Prob. Chi-Square(3). 0,2057. 61.

(20) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 0,480862. Prob. F(6,53). 0,8196. Obs*R-squared. 3,097608. Prob. Chi-Square(6). 0,7965. Scaled explained SS. 6,295219. Prob. Chi-Square(6). 0,3909. Kurdu÷umuz modelde, kimya-petrol-plastik sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE %1, Reel Gösterge Faiz %5 düzeyinde anlaml çkmútr. TÜFE ve Reel Gösterge Faiz’deki artúlar sektörün sistematik riskini artrmaktadr. Ancak TÜFE’deki artúlar sektörün sistematik riskini daha fazla etkilemektedir. Modelin otokorelasyon ve de÷iúen varyans test sonuçlar incelendi÷inde modelde bu problemlerinin bulunmad÷ görülmektedir. Tablo 8: Metal Ana Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_MANA. En Küçük Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER KATSAYI TUFE 0,2998. T - øSTATøSTøöø 2,1447. OLASILIK **0,0365. REELGOSTFAIZ. 0,4138. 2,6336. **0,0110. REELEFKDOVIZKUR. 0,0417. 0,2818. 0,7792. ICRGPOLITIC. -0,0708. -0,4345. 0,6657. CARIACIK. 0,0146. 0,0988. 0,9217. BUYUME. -0,0744. -0,6325. 0,5297. R-KARE. 0,3355. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic 0,635351. Prob. F(2,52). 0,5338. Obs*R-squared. Prob. Chi-Square(2). 0,4889. 1,431221. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 0,593533. Prob. F(6,53). 0,7340. Obs*R-squared. 3,777714. Prob. Chi-Square(6). 0,7067. Scaled explained SS. 10,85714. Prob. Chi-Square(6). 0,0929. 62.

(21) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. Kurdu÷umuz modelde, metal ana sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE ve Reel Gösterge Faiz %5 düzeyinde anlaml çkmútr. Reel Gösterge Faiz de÷iúkeninin katsays daha yüksek olup, sistematik riske etkisi TÜFE de÷iúkenine göre daha fazla olacaktr. Reel Gösterge Faiz ve TÜFE’deki artúlar sektörün sistematik riskini artrmaktadr. Modelin otokorelasyon ve de÷iúen varyans test sonuçlar incelendi÷inde modelde bu problemlerinin bulunmad÷ görülmektedir. Tablo 9: Metal Eúya-Makine Sektörü Sistematik Risk Bileúenleri Analizi BAöIMLI DEöøùKEN. YÖNTEM. DÖNEM. GÖZLEM SAYISI. SR_MEYS. En Küçük Kareler. 2002 / 1 - 2016 / 4. 60. BAöIMSIZ DEöøùKENLER TUFE. KATSAYI 0,3564. T - øSTATøSTøöø 2,6220. OLASILIK **0,0113. REELGOSTFAIZ. 0,3538. 2,3158. **0,0244. REELEFKDOVIZKUR. -0,1132. -0,7877. 0,4343. ICRGPOLITIC. 0,0264. 0,1668. 0,8681. CARIACIK. -0,0774. -0,5384. 0,5925. BUYUME. -0,0505. -0,4421. 0,6602. R-KARE. 0,3717. OTOKORELASYON TESTø SONUÇLARI Breusch-Godfrey Serial Correlation LM Test: F-statistic 4,618144. Prob. F(2,52). Obs*R-squared. 9,049819. Prob. Chi-Square(2) **0,0108. F-statistic. 3,058751. Prob. F(3,51). Obs*R-squared. 9,149377. Prob. Chi-Square(3) **0,0274. 0,0143. 0,0364. DEöøùEN VARYANS TESTø SONUÇLARI Heteroskedasticity Test: White F-statistic. 0,862478. Prob. F(6,53). Obs*R-squared. 5,337218. Prob. Chi-Square(6) 0,5013. Scaled explained SS. 6,216836. Prob. Chi-Square(6) 0,3993. 0,5285. Modelde, metal eúya-makine sektörü için sistematik riski etkiledi÷i düúünülen bileúenlerden TÜFE ve Reel Gösterge Faiz %5 düzeyinde anlaml çkmasna ra÷men, modelin 63.

(22) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. otokorelasyon testi sonuçlar uygun çkmamútr. Modelde otokorelasyon problemi bulunmaktadr, ancak de÷iúen varyans problemi bulunmamaktadr. Modeldeki otokorelasyon problemi sebebiyle model tahmin için uygun olmayacaktr.. 5. Sonuç Çalúma sonucunda, snai sektörü içinde yer alan Gda-øçecek sektöründe sistematik riski faiz ve enflasyon riskinin etkiledi÷i görülmüútür. Orman-Kâ÷t-Basm sektöründe sistematik riski enflasyon ve faiz riskinin etkiledi÷i bulunmuú, analizde hem katsaylar hem de anlamllk düzeyi açsndan iki bileúenin etkisi ayn çkmútr. Tekstil-Deri sektörü sistematik riskini enflasyon ve faiz riskinin etkiledi÷i görülmüútür. Enflasyon riski daha etkili çkmútr. Kimya-Petrol-Plastik sektöründe sistematik riski enflasyon ve faiz riski etkilemektedir. Analizde en etkili bileúen enflasyon riski olmuútur. TaúToprak sektöründe sistematik riski enflasyon ve faiz riskinin etkiledi÷i görülmüútür. Analizde anlamllk düzeyi açsndan enflasyon daha etkili görülürken, katsay açsndan gösterge faiz daha etkili çkmútr. Metal Ana sektöründe sistematik riski faiz ve enflasyon riskinin etkiledi÷i tespit edilmiútir. Farkl olarak bu sektörde hem katsay hem de anlamllk düzeyi açsndan en etkili bileúen gösterge faiz, dolaysyla faiz riski çkmútr. Metal Eúya-Makine sektöründe sistematik riski etkileyen bileúenlerden enflasyon ve gösterge faiz anlaml çkmasna ra÷men, model testi sonuçlarnda otokorelasyon probleminin bulundu÷u tespit edilmiútir. Bu nedenle analize iliúkin sonuçlarn ve bu sonuçlara iliúkin yorumlarn tutarl olmayaca÷ belirtilmiútir. Enflasyon ve faiz oranlar birbiriyle güçlü bir etkileúim içindedir. Faiz oranlar içinde enflasyon orann da barndrmaktadr. Basit anlamda faiz oran ve enflasyon oran arasndaki fark reel faizdir. Bu iki bileúenin arasndaki güçlü ba÷ çalúma esnasnda korelasyon katsaylarnda da görülmüútür. Gerçekleútirilen analizlerde, faiz oran etkisi ile enflasyon etkisinin birbirine karúmamas ve faiz oran etkisinin daha iyi tespit edilebilmesi amacyla gösterge faiz verileri reel gösterge faiz verilerine dönüútürülmüútür. Böylece enflasyon orannn etkisiyle, faizin reel ksmnn etkisi analizlerde ayr ayr incelenebilmiútir. Çalúmadaki bulgularda enflasyon, BøST Snai Endeksindeki sektörlerde sistematik riski artran en etkili bileúen veya bileúenlerden biri olarak tespit edilmiútir. Bulgular beklentilere uygun çkmútr. Enflasyondaki artúlar firmalarn maliyet yaplarn bozmakta ve fiyatlama kararlarn etkilemektedir. Yatrm kararlarnda gelece÷e yönelik belirsizlikleri artrmaktadr. Gelecekte beklenen nakit akmlarnn bugünkü de÷erlerini aúndrmaktadr. 64.

(23) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. Faiz riskinin etkileri de BøST Snai Endeksindeki sektörlerde sistematik riski artran ikinci bileúen olarak görülmüútür. Faiz oranlarndaki artúlar da firmalarn borçlanma maliyetlerini, yeni yatrm için gerekli olacak dú kaynak maliyetini artrmaktadr. Ayrca piyasadaki faizlerin yükselmesi, yatrm yaparak risk almaya karú olumsuz bir alternatif oluúturmaktadr. DøBS reel faiz getirilerinin artmas da benzer úekilde risksiz getiri alternatifi yannda yatrm kararlarn olumsuz etkilemektedir. Sistematik risk bileúenleri analizlerinde, hiçbir sektörde kur riski etkisine rastlanlmamútr. Bunun sebebi olarak reel efektif döviz kuru endeksi verilerinin kullanlmú olmas düúünülse de çalúmada yer almamakla birlikte kur sepeti verileriyle de ayn analizler gerçekleútirilmiútir. Ancak bu analizlerde de ayn sonuçlar gözlemlenmiútir. Kur riski etkisinin gözlemlenmemiú olmasnn sebebi olarak, 2002-2011 yllar arasnda kur hareketlerinde iniúli çkúl dönemler olsa da kurlarn belirli bantlar arasnda hareket etmiú olmas ve 2011 ylndan sonra yükseliú hareketine baúlamú olmas; kur riskinin sektörler içinde yer alan belirli firmalarca taúnyor olabilmesinin yannda, analizlerin sektör verileri üzerinden yaplmú olmas ve belirli firmalardaki kur riski etkilerinin sektör genelinde yansmamú olmas düúünülebilir. Kaynakça AYDENøZ, ùule; (2008), øúletmelerde Gelecek Ve Opsiyon Sözleúmeleri øle Risk Yönetimi. østanbul: Arkan Basm. AKSOY, Ahmet ve Cihan TANRIÖVEN; (2007), Sermaye Piyasas Yatrm Araçlar ve Analizi. Ankara: Gazi Kitapevi. BALIKÇI, Yalçn; (2009), øúletmelerde Risk Yönetimi. østanbul: Cinius Yaynlar. BEAVER, William, Paul KETTLER ve Myron SCHOLES; (1970), The Association Between Market Determined and Accounting Determined Risk Measures. The Accounting Review, 45(4), ss. 654682. CEYLAN, Ali; (2001), øúletmelerde Finansal Yönetim. Bursa: Ekin Kitapevi. CEYLAN, Ali ve Turhan KORKMAZ; (2004), Sermaye Piyasas ve Menkul De÷er Analizi. Bursa. COHEN, Kalman J., Gabriel A. HAWAWINI , Steven F. MAIER, Robert A. SCHWARTZ ve David K. WHITCOMB; (1980), Implications of Microstructure Theory for Empirical Research on Stock Price Behavior. The Journal of Finance, 35 (2), Papers and Proceedings Thirty-Eighth Annual Meeting American Finance Association, Atlanta, Georgia, ss. 249-257. DWORAK, Brigitte M. ; (1985), Das Laenderrisiko als bankbetriebliches Problem. Berlin: Duncker und Humblot Verlg. EMERY, Douglas R., John D. FINNERTY ve John D. STOWE; (2004), Corporate Financial Management. United States of America. 65.

(24) Bist Snai Sektörü Sistematik Risk Bileúenlerinin Analizi. GUJARATI, Damodar N. ve Dawn C. PORTER; (2012), Temel Ekonometri. 5. Bask. østanbul: Literatür Yaynclk. IQBAL, Muhammad J. ve Syed Zulfiqar Ali SHAH; (2012), Determinants of Systematic Risk. The Journal of Commerce, 4 (1), ss. 47-56. KAMRAN, Muhammad ve Qaisar Ali MALIK; (2019), Impact of Kpi’s on Systematic Risk: A Case of Petroleum Industry. Pyrex Journal of Business and Finance Management Research, 5 (1), ss. 1-12. KIRLI, Mustafa; (2006), Halka Açk Olmayan ùirketlerde Sistematik Risk Ölçütü Beta Katsaysnn Tahmin Edilmesi. Celal Bayar Üniversitesi øøBF Yönetim ve Ekonomi Dergisi, 13 (1), ss. 121-134. KING, Benjamin F.; (1966), Market and Industry Factors in Stock Price Behaviour. Journal of Business, 39. LEE, Chyn-Hwa ve Chee-Wooi HOOY; (2012), Determinants of Systematic Financial Risk Exposures of Airlines in North America, Europe and Asia. Journal of Air Transport Management, 24, ss. 31-35. LINTNER, John; (1965), The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. The Review Of Economics and Statistics, 47 (1), ss. 13-37. MANDELKER, Gershon N. ve S. Ghon RHEE; (1984); The Impact of the Degrees of Operating and Financial Leverage on Systematic Risk of Common Stock. Journal of Financial and Quantitative Analysis, 19 (1), ss. 45-57. MAUSSER, Helmut ve Dan ROSEN; (1998); Beyond Var: From Measuring Risk to Managing Risk. Algo Research Quarterly, 1(2), ss. 5-20. MOSSIN, Jan; (1966), Equilibrium in A Capital Asset Market. Econometrica, 34 (4), ss. 768-783. QURESHI, Fiza, Ali M. KUTAN, Habib Hussain KHAN ve Saba QURESHI; (2019), Equity Fund Flows, Market Returns and Market Risk: Evidence from China. Risk Management, 21 (1), ss. 48-71. ROSENBERG, Barr ve Walt. MCKIBBEN; (1973); The Prediction of Systematic and Specific Risk in Common Stocks. The Journal of Financial and Quantitative Analysis, 8 (2), ss. 317-333. SARITAù, Hakan ve Yusuf KAYA; (2012), Finansal Yatrmlarda Risk Ayrútrmas: Bir øMKB Uygulamas. Finans Politik & Ekonomik Yorumlar Dergisi, 49 (566), ss. 41-50. SHARPE, William F. ; (1963), A Simplified Model for Portfolio Analysis. Management Science, ss. 277-293. SHARPE, William F. ; (1964), Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk. The Journal of Finance, 19 (3), ss. 425-442 TANRIÖVEN, Cihan ve E. Ebru AKSOY; (2011), Sistematik Riskin Belirleyicileri: øMKB’de Sektörel Karúlaútrma. Muhasebe ve Finansman Dergisi, 51, ss. 119-138. TEKBAù, Mehmet ùükrü, Ahmet KÖSE, Vedat SARIKOVANLIK, Serra EREN SARIOöLU, Nazl KALFA BAù, A. Kerem ÖZDEMøR; (2014), Temel Finans Matemati÷i ve De÷erleme Yöntemleri. SPL Lisanslama Snavlar Çalúma Kitaplar. THOMPSON II, Donald. J. ; (1976), Sources of Systematic Risk in Common Stocks. Journal of Business, 49(2), ss. 173-188. 66.

(25) Finans Politik & Ekonomik Yorumlar (649) Eylül 2019: 43-67. USTA, Öcal; (2008), øúletme Finans ve Finansal Yönetim. Ankara: Detay Yaynclk. USTA, Öcal ve Erhan DEMøRELø; (2010), Risk Bileúenleri Analizi: øMKB’ de Bir Uygulama. ZKÜ Sosyal Bilimler Dergisi, 6 (12), ss. 25–36. VAN ZIJL, Tony; (1987), Risk Decomposition: Variance or Standard Deviation-A Reexamination and Extension. Journal of Financial and Quantitative Analysis, 22 (2), ss. 237-247. XING, Xuejing ve Shan YAN; (2019), Accounting Information Quality and Systematic Risk. Review of Quantitative Finance and Accounting, 52 (1), ss. 85-103.. 67.

(26)