Lab 4: Krise

I denne labben skal vi se litt nærmere på finanskrisen i USA, der den verdensomspennende økonomiske krisen ble utløst. Vi skal også lære noen mer avanserte teknikker for data-behandling.

Først, trenger vi noen pakker som vi har sett før:

library(zoo) #For tidsrekke funksjoner
library(ggplot2) #For enkel og sofistikerte plotting
library(dplyr) #for data-behandling
library(reshape2) #for data-behandling

En bra kilde for finansielle data i USA er St. Louis Federal Reserve Bank sin økonomisk data webside: FRED: Federal Reserve Economic Data.

En mulighet er å finne en data-serie man er interessert i på websiden, laste den ned til datamaskinen, og da laste den inn til R ved å bruke data_series <- read.csv(“homefolder/data_series.csv”).

Finanskrisen i USA ble utløst av en fall i boligpriser. Så, først vil vi finne data på boligpriser. Dataene som er mest brukt er en indeks av priser i de største byene: case-shiller indeks.

Jeg har lastet ned dataene i forkant, så vi kan bare importere dataene fra kurs-webside:

case_shiller <- read.csv("https://jmaurit.github.io/anvendt_macro/data/case_shiller.csv")

Vi kan begynne med å formattere variablene date til dato-formatt.

str(case_shiller) #se på data-filen
## 'data.frame':    209 obs. of  2 variables:
##  $ date        : Factor w/ 209 levels "2000-01-01","2000-02-01",..: 1 2 3 4 5 6 7 8 9 10 ...
##  $ case_shiller: num  101 102 103 104 105 ...
case_shiller$date <- as.Date(case_shiller$date) #konvertere til dato-formatt

Og plotte:

ggplot(case_shiller, aes(x=date, y=case_shiller)) +
  geom_line()

Hva kan man se fra denne figuren?

Når begynte boligprisene å falle?

Hvorfor begynte boligprisene å falle?

Hvor langt tid tok det før prisene hadde nådd bunnen? Hvorfor tok det så mye tid?

La oss se på noen andre data serier om lønn, forbruk og sparing. Dette kan også finnes på FRED, men jeg har kombinert de til en dataframe og vi kan laste det ned fra kurswebsiden.

fed_DF <- read.csv("https://jmaurit.github.io/anvendt_macro/data/fed_DF.csv")
fed_DF["date"] <- as.Date(fed_DF$date)
str(fed_DF)
## 'data.frame':    32 obs. of  4 variables:
##  $ date           : Date, format: "1984-01-01" "1985-01-01" ...
##  $ median.wages   : int  48720 49631 51388 52032 52432 53367 52684 51145 50725 50478 ...
##  $ personal.saving: num  9.4 9.7 8 9.1 7.5 8 7.4 8.7 8.8 8.3 ...
##  $ debt.service   : num  10.5 11.3 11.8 11.9 11.8 ...

Nå har vi fått tre nye serier:

Isteden for å ha forskjellige data-frames, så skal vi sette de sammen ved å bruke merge. Siden begge data-frames har en serie date som er i dato-formatt, kan vi bruke den til å samle data-settene.

fed_DF <- merge(fed_DF, case_shiller, by="date")
head(fed_DF)
##         date median.wages personal.saving debt.service case_shiller
## 1 2000-01-01        57790             4.7     11.51895       100.59
## 2 2001-01-01        56531             4.0     12.19412       113.05
## 3 2002-01-01        55871             5.6     12.40500       121.36
## 4 2003-01-01        55823             4.5     12.36663       136.47
## 5 2004-01-01        55629             4.5     12.16459       152.62
## 6 2005-01-01        56224             3.2     12.52438       177.55

Deretter skal vi omforme data-framen til lang formatt ved å bruke funksjonen melt fra reshape2 pakken. Ser du hva som har skjedd?

fed_DF_long <- melt(fed_DF, id.vars = "date")
head(fed_DF_long)
##         date     variable value
## 1 2000-01-01 median.wages 57790
## 2 2001-01-01 median.wages 56531
## 3 2002-01-01 median.wages 55871
## 4 2003-01-01 median.wages 55823
## 5 2004-01-01 median.wages 55629
## 6 2005-01-01 median.wages 56224

Nå kan vi plotte alle figurene sammen ved å bruke facets. Facets er del-figurer - så man lager mange små plotter innenfor en figure. Vi bruker facet_grid fra ggplot2:

ggplot(fed_DF_long, aes(x=date, y=value)) +
  geom_line() +
  facet_wrap(~variable, ncol=1, scales="free")

Alternativt, hvis vi vil vise seriene i 2x2 formatt:

ggplot(fed_DF_long, aes(x=date, y=value)) +
  geom_line() +
  facet_wrap(~variable, ncol=2, scales="free")

Hvordan kan du tolke disse figurene? Kan du fortelle en historie som binder sammen disse seriene?

Hvilken betydning hadde personal savings og debt service i forkant av finanskrisen? Burde man ha vært bekymret over utviklingen av disse variablene?

Hvordan har median wages utviklet seg i USA? BNP er en god del høyere enn det var i 2000. Hvorfor har ikke median-lønn vokst?

Oppgave: Krise, banker og risiko

Det som har preget finanskrisen var at flere av de store bankene gikk konkurs, og det var stor frykt for at de andre bankene også skulle gå konkurs. Et viktig utfall var at finansinstitusjoner ville få bedre betalt for å låne ut penger, siden risikoen for at man kunne tape de pengene var høyere. Samtidig jobbet sentralbanken for å senke styringsrenten for å prøve å beskytte økonomien.

I finans bruker man ofte forskjellen mellom to ulike obligasjoner til å si noe om risiko i markedet. Dette kalles ofte for “spread”.

Jeg har lastet ned ulike renter/avkastninger fra FRED og kombinert de i en dataframe, som du kan laste ned fra kurswebsiden, https://jmaurit.github.io/anvendt_macro/data/yields.csv

  • Plotte disse avkastningene sammen og tolk resultatenene.

  • Skap noen spread-variabler fra datasettet. Hvilken serier er det fornuftig å bruke?