Önsözden

Tüm bu çalışmalarımda gözlemlediğim ilk konu, teknolojik gelişmeler ve müşteri ihtiyaçları nedeni ile nakit yönetimi dünyasının hep dinamik olduğudur. İkinci konu ise, finansal okuryazarlık konusunda özellikle küçük işletmelere ve hane halkına yönelik çok fazla çalışma yapılması gerekliliğidir. Türkiye özelinde sermaye piyasalarının gelişimi adına, işletmelerin büyümesi ve sürdürülebilirliği adına nakit yönetiminin finansal yönetimin altındaki en önemli başlık olduğu kanaatindeyim. Borsa İstanbul’un toplam piyasa değerinin Facebook’un piyasa değerinden düşük olmasının nedeni Türkiye’deki işletmelerin, bankacılık sistemi dâhil, ölçeğinin küçük kalmasıdır. Bunun nedeni ise, başta KOBİ’lerde finansal yönetim ve nakit yönetimi esaslarına olan hâkimiyetin düşüklüğüdür. Uluslarararası bir finans merkezi olmak isteyen İstanbul’un Avusturya İktisat Okulu, Wharton, Harvard Business School, London School of Economics gibi bir iktisadi yönetim ekolü (doktrini, okulu) olması gerekliliğine inancım doğrultusunda, bu ilk kitabımda deneyimlerimden hareketle nakit yönetiminin önemini aktarmaya çalıştım

Financial time series including high frequency structures like jumps, spikes and stochastic volatility are usually modeled in an ad-hoc manner by stochastic differential equations together with Levy processes. Estimating the parameters and determining the jump size distributions do not have a precise and universally accepted method. Under these circumstances, complexities and confusions usually arise. This book, approaches to this issue from a very different angle through introducing an autocorrelation one process together with finite number of Fourier series terms. Introduction of Fourier series to estimate the dynamics of the process is not done in an ad-hoc manner or as done before in dealing with seasonality. Here the moving average is transformed to a “moving and fluctuating” average by the help of Fourier series. Instead of adding jump structures to the model which makes the parameter estimation quite cumbersome, our model in discrete time can easily be transformed to a well-known mean reverting continuous time process. Moreover, our alternative model turned out to be a quite powerful and accurate forecasting technique.