인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
This study investigates conditional heteroskedasticity, asymmetric volatility, and out-of-sample forecasting performance in the Shanghai Containerized Freight Index (SCFI). Using 795 weekly observations from January 2011 to March 2026, we estimate ARIMA-EGARCH and ARIMA-GJR-GARCH models with Student’s t innovations. The results reveal significant conditional heteroskedasticity and asymmetric volatility, with negative shocks exerting stronger effects than positive shocks. However, the asymmetry is sensitive to estimation methods and sample periods, particularly when excluding the COVID-19 pandemic. Both models exhibit near-unit volatility persistence, providing insufficient evidence of mean reversion. In a 13-week out-of-sample evaluation, ARIMA-EGARCH achieves the lowest forecasting error, although differences across models are small. A 104-week rolling evaluation further indicates that both GARCH-based models significantly outperform ARIMA in terms of squared forecast errors, while their relative performance is statistically indistinguishable. Because the models share the same mean specification, these improvements cannot be attributed specifically to asymmetric volatility modeling. Overall, the findings highlight persistent and potentially asymmetric freight-rate volatility while emphasizing the importance of model specification and sample selection.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
