Geleneksel Finans ve Modelleri

0
7

Genel anlamıyla açıklayacak olursak, Geleneksel Finans kuramı kişilerin rasyonel olduğunu ve akılcı hareket ettiğini varsaymaktadır. Kişilerin tutarlı olduğunu kabul ederek aslında kişinin kendisi için en uygun seçeneği seçeceğini öne sürmektedir. Aslında geleneksel finans modelleri kişilerin psikolojik yanlarını reddederek onların akılcı davrandıklarını kabul etmektedir.

Geleneksel finans modelleri, ekonomide hakim paradigma olan neoklasik iktisat temeli üzerinde geliştirilmiştir. Geleneksel finans perspektifinde yatırımcılar, faydasını maksimize etmeye çalışan ve rasyonel davranış prensiplerine uyan bireyler olarak ele alınmaktadır.

Harry Markowitz’in (1952), “Portfolio Selection” çalışmasıyla temelleri atılan geleneksel finans teorisi, William Sharp’ın (1964) geliştirdiği “Finansal Varlıkları Fiyatlandırma Modeli (CAPM)” ve Paul A. Samuelson ve Eugene Fama tarafından 1960’larda geliştirilen “Etkin Piyasalar Hipotezi” ile büyük bir ivme kazanmıştır. Geleneksel Finans Teorisinde rasyonel insan, yatırım seçimi yaparken Beklenen Fayda Teorisi çerçevesinde, etkin piyasalar hipotezinin öngördüğü üzere yeni bilgiler ışığında beklentilerini güncelleyebilen ve aynı hataları tekrarlamayan bireydir. Rasyonel insan tipi “Homo economicus” olarak ifade edilmektedir.

Beklenen Fayda Teorisi (Expected Utility Theory)

İnsanların risk ve fırsat karşısında beklenen yararları karşılaştırarak seçmesi, Beklenen Fayda Teorisi’nin risk tanımına göre hareket ettiğini göstermektedir. Yatırımcıların en iyi seçimi yapmadan önce, her yatırım seçeneğinin beklenen fayda değerini hesaplamaları gerekmektedir.

Beklenen Fayda Teorisi’nin temelleri, Daniel Bernoulli tarafından 1738 yılında atılmıştır. Daha sonra, 1944 yılında John Von Neumann ve Oscar Morgenstein tarafından geliştirilmiştir. 1979 yılında Kahneman ve Tversky tarafından beklenti teorisi geliştirilene kadar baskın risk altında karar alma teorisi olarak kullanılmıştır. Teoriye göre beklenen fayda, belirsizlik altında verilen bir kararın sonucu olan olası faydanın, olayın gerçekleşme olasılığı ile çarpılmasıyla elde edilen sonuç olarak tanımlanmaktadır. Bu tanımlamada fayda, kardinal olarak ifade edilmektedir ve kişilerin rasyonel hareket ettiği varsayımına dayanmaktadır.

Ancak bu tanımlamadaki kardinal-sayısal bir fayda anlayışının korunması, eleştiriye neden olmaktadır.

Ancak kardinallik, beklenen fayda teorisinde mutlak bir marjinal zevk ölçüsü olarak değil, operasyonel anlamda bir indeks sayısı olarak ele alınmaktadır. İndeks sayıları kişinin değer yargılarını içermemektedir. Fakat bu yargıları sıralamaktadır. Bu bağlamda beklenen fayda teorisi kardinal fayda ölçümünde karşı karşıya kalınan sorunları sırasal bir ilişki içinde aşmış görünmektedir.

Beklenen Fayda Teorisine göre bütün ekonomik aktörler, önlerine çıkan belirsiz durumlarda olayların gerçekleşme ihtimalini hesaplarken Bayes kuralını kullanan, hesapladıkları olasılıklarla olaylardan elde edecekleri kazançları çarparak beklenen faydalarını hesaplamaktadır. Son olarak da beklenen faydalarını en üst düzeye çıkaran tercihleri yapan “rasyonel” varlıklardır.

Von Neumann ve Morgenstern’in (1944) karar verme teorisi, beklenen faydanın maksimize edilmesi ilkesine dayanmaktadır. Basit bir örnekle anlatılacak olursa: Eğer 100 $’a sahip bir kişi %10 oranında kazanma şansına sahip ise, bu kişinin beklenen faydası (expected utility) 0.10* 100 $ = 10 $’dır. Belirsizlik durumunda optimal karar verme, şu şekilde olacaktır. Örneğin %25 oranla 100 $ ve %10 oranla 1000 $ kazanma seçeneklerini düşünelim. Beklenen faydayı maksimize etmek isteyen rasyonel bir kişi, ikinci seçeneği tercih edecektir. Çünkü birincinin beklenen faydası (0.25100 $) 25 $ iken, ikinci seçeneğin (0.101000 $) 100 $’dır.

Beklenen Fayda Teorisi (BFT) ölçülebilir bir fayda fonksiyonuna dayanarak belirsizlik halinde insanların davranışlarını açıklamaya çalışır. Beklenen Fayda Teorisi, sayısallaştırılabilir bir fayda anlayışından yola çıkmaktadır. Daha büyük beklenen fayda daha yüksek bir tercih düzeyi ile ilişkilendirilebilir.

Yatırımcı gelecekte ne olacağından emin olamayacaksa yatırımını nereye yapacağına nasıl karar verecektir. Yatırımcı, 10 yıl sonra devrim niteliğinde bir ilaç bulacak ya da aksi durumda tamamen değersiz bir şirkete mi yatırım yapacaktır ya da uzun yıllar boyunca makul getiriler sunan elektrik şirketine mi yatırım yapmayı tercih edecektir. Eğer para kaybetmek yatırımcıyı mutsuz edecekse, o zaman elektrik şirketine yatırım yapmak daha doğru bir seçim olacaktır. Ya da bu borsa yatırımlarıyla ilgilenmeyen bir kişi ise, yatırımını başka yere yapacaktır veya bir araba almayı tercih edecektir.

Neumann ve Morgenstern’e göre, bütün bunlar kişilerin belirsizlik altında karar alma yollarını yansıtmaktadır. Bu iki iktisatçının teorisi, daha önceki “beklenen değer” teorilerini geliştirmektedir. Beklenen Değer teorileri yalnızca ilk iki kriteri dikkate alıyordu: Olası getiri ve bunun gerçekleşme ihtimali. Ancak bu yeterli değildir; aynı zamanda kazançların insanı ne kadar mutlu ettiğini ve kayıpların da kişiyi ne kadar mutsuz ettiğini dikkate almak gerekmektedir.

Bayesçi Öğrenme Teorisi

Geleceğin belirsizliği, karar almada karşılaşılan en temel sorun olmaktadır. Bu sorunu aşmaya yönelik çalışmalardan birisi de İngiliz muhasebeci ve matematikçi Thomas Bayes’ e aittir. Bayesçi mantık; gelecekteki olayları tahmin etmede önceden gerçekleşen olayların bilgilerini kullanarak, olasılık ve istatistik biliminden yararlanarak bir karar alma yöntemi olmaktadır. Bayesçi mantığa göre, belirsiz bir sonuca sahip herhangi bir durumu ölçmek için olasılık dağılımı hesaplanmaktadır.

Bayesçi istatistik 1763 yılına dayanmaktadır. Fakat 19. Yüzyılda itibarını kaybetmiştir. İstatistiği, Bruno de Finetti İtalya’da, Harold Jeffreys ise İngiltere’de canlı tutmaya çalışmıştır. Jimmy Savage ABD ve İngiltere’de ve Dennis Lindley, 20. Yüzyılın ikinci yarısında, modern Bayesian hareketi başlatmıştır. Geliştirilen bilgisayar sistemleri Bayesçi öğrenme sistemini geliştirmeye olanak vermiş ve astrofizik, hava tahmini, sağlık politikası ve ceza hukuku gibi çeşitli uygulama alanlarında kullanılmış ve bu uygulamalar daha çok 1990 sonrası dönemde gerçekleşmiştir.

Bayesçi yaklaşımda, model parametreleri hakkındaki bilgi, önceki dağılım (prior distribution) olarak tanımlanan parametre:


p (θ)


Yeni veri y’ye ulaşabildiğinde ise, model parametreleri hakkındaki bilgi, model parametrelerden elde edilen verinin dağılımı olarak olasılıkla ifade edilen:


p (y∣θ)


Bu bilgiler daha sonra ikincil dağılım (posterior distribution) olarak adlandırılan Bayesian çıkarımlar üretmek için tüm önceki çıkarımlarla birleştirilmiştir.

Bayesçi kuram şu şekilde formüle edilmiştir:

Bu nedenlerden ötürü Bayesçi kuram, olasılık kuramının yapı taşlarından biridir.

Bayes Kuramı’ na şöyle bir örnek verilebilir: Varsayalım ki, elimizde içi görünmeyen bir sepet ve sepetin içerisinde de üç adet top olsun. Bu topların her biri yeşil ya da kırmızı olabilir. Bakmadan elimizi sepetin içine sokup, rastgele bir top seçtiğimizi ve bu topun kırmızı renkte olduğunu, topu tekrar sepete atıp, bu işlemi iki kere daha tekrarladığımızı ve yine kırmızı topu çektiğimizi düşünelim. Bu durumda, bütün topların kırmızı olduğu yönünde bir hipotez geliştirebiliriz. Bu durumda Bayesçi kuramdan yararlanarak olasılık hesabı yapabiliriz. Buna göre tüm toplar kırmızıdır (A) ve yapılan tüm seçimler kırmızıdır (B) diyelim ve olasılık (p) hesaplayalım.

Mümkün olan bütün olasılıklarda (KKK, KKY, KYY, YYY), topların hepsinin kırmızı olma şansı 1/4 iken, bütün topların kırmızı ve tüm seçimlerin kırmızı olma olasılığı 1/8’dir. Bayes kuramı, sepetteki tüm topların kırmızı olma olasılığını, bütün seçimlerin kırmızı olma olasılığı %50 olarak hesaplamaktadır.

Kaynak: KÜDEN , M. (2014). Davranışsal Finans Açısından Bireysel Yatırım Tercihlerinin Değerlendirilmesi. Yök Tez Merkezi.

CEVAP VER

Please enter your comment!
Please enter your name here