I denne labben så skal vi se nærmere på det som heter den finansielle akseleratoren. Det vil si hvordan finanssystemet kan forsterke konjunkturbevegelser.

Vi skal laste inn og analyse noe data, så vi bruker tidyversen:

library(tidyverse) 
## ── Attaching packages ───────────────────────────────────── tidyverse 1.3.0 ──
## ✔ ggplot2 3.2.1     ✔ purrr   0.3.3
## ✔ tibble  2.1.3     ✔ dplyr   0.8.3
## ✔ tidyr   1.0.0     ✔ stringr 1.4.0
## ✔ readr   1.3.1     ✔ forcats 0.4.0
## ── Conflicts ──────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()

API

I denne labben så skal vi laste inn data fra databasen til USAs Federal Reserve Bank, som heter FRED. FRED har en API – Application Programming Interface. Det vil si, at vi kan få tilgang til data direkt via R.

For å få direkt tilgang til FRED, bruker vi pakken alfred:

#install.packages("alfred")
library(alfred)

Vi kommeer til laste inn 4 indikatøre på finansiell stress: gjeld til husholdninger, en finansiell stress indikatør, kommersiell gjeld, og “asset-backed” gjeld – dette kan være, for eksempel, gjeld som har pant i biler. Da sette vi de sammen i en data frame.

#Total Consumer Credit Outstanding
HHkreditt = as.tibble(get_fred_series(("TOTALSL")))
## Warning: `as.tibble()` is deprecated, use `as_tibble()` (but mind the new semantics).
## This warning is displayed once per session.
#Kansas City Financial Stress Index
stress = as.tibble(get_fred_series("KCFSI"))

#Ninfinancial commercial paper outstanding
komm_sertifikater = as.tibble(get_fred_series( "COMPAPER"))
## Warning in get_fred_series("COMPAPER"): NAs introduced by coercion
#Asset-backed commercial paper outstanding
ABS = as.tibble(get_fred_series("ABCOMP"))

#huspriser
huspriser = as.tibble(get_fred_series("SPCS20RSA"))

kreditt = inner_join(HHkreditt, stress, by="date")
kreditt = inner_join(kreditt, komm_sertifikater, by="date")
kreditt = inner_join(kreditt, ABS, by="date") 
kreditt = inner_join(huspriser, kreditt, by="date")
colnames(kreditt) = c("date", "huspriser", "HH gjeld", "Stress Indik", "Komm sert.", "ABS")

Nå lager vi plotter av alle seriene.

kreditt_lang = gather(kreditt, key="indik", value="verdi", -date)
ggplot(kreditt_lang, aes(x=date, y=verdi)) + 
  geom_line() + 
  facet_wrap(~indik, ncol=2, scales="free")

Er det noe som slår deg ut i fra disse seriene? Hva skjedde med gjeld under finanskrisen?

Poenget er å se at i en nedkonjunktur, så er det en tendens for at det blir vanskeligere å låne penger – både fra banker og gjeldsmarkedet – og dette kan forverre nedgangen. Økonomer kaller dette for den finansielle akseleratøren.

kreditt indikatøren: Risikopremie

Vi kan også laste inn data på avkastningen på ulike verdipapirer for å estimere risikopremie i markedet.

Her henter vi fred serier som viser avkastningen på både veldig trygge verdipapirer (AAA) og veldig risikable (junk).

#AAA - beste, mest sikkere kommersielle verdipapirene.
#CCC eller lavere ("junk") - de meste risikable verdipapirene. 
AAA = as.tibble(get_fred_series("DAAA"))
## Warning in get_fred_series("DAAA"): NAs introduced by coercion
junk =  as.tibble(get_fred_series("BAMLH0A3HYC"))
## Warning in get_fred_series("BAMLH0A3HYC"): NAs introduced by coercion
renter = inner_join(AAA, junk, by="date")
colnames(renter) = c("date", "AAA", "Junk")

Hvis vi ser på forskjellen mellom disse to seriene, så får vi en ide om risikopremiet i økonomien.

renter_lang = gather(renter, key="rente", value="prosent", -date)
ggplot(renter_lang, aes(x=date, y=prosent, color=rente)) +
  geom_line()

renter["spread"] =  renter$Junk -renter$AAA

ggplot(renter, aes(x=date, y=spread)) +
  geom_line()