건화물선 발틱운임인 케이프사이즈 운임지수(BCI), 파나막스사이즈 운임지수(BPI), 핸디막스사이즈 운임지수(BSI와 BHSI)들의 인과성과 효율성을 살펴본다. 인과성 분석을 위해 그란저 인과성 방법을 도입하여 BCI는 BPI, BSI, BHSI에 일방 그란저-cause하며, BSI는 BPI, BHSI에 일방 그란저-cause하고, BPI는 BHSI에 일방 그란저-cause함을 보인다. 이에 근거하여 모형을 구성하여 발틱 운임시장은 비효율적임을 보이고 예측능력 비교를 통해 BCI에 의한 발틱 핸디막스 운임의 예측력이 우수하며, 발틱 수퍼막스 운임과 발틱 케이프 사이즈 운임에 의한 발틱 파나막스 운임의 예측이 가장 정확하지 못함을 보인다.
건화물선 발틱운임인 케이프사이즈 운임지수(BCI), 파나막스사이즈 운임지수(BPI), 핸디막스사이즈 운임지수(BSI와 BHSI)들의 인과성과 효율성을 살펴본다. 인과성 분석을 위해 그란저 인과성 방법을 도입하여 BCI는 BPI, BSI, BHSI에 일방 그란저-cause하며, BSI는 BPI, BHSI에 일방 그란저-cause하고, BPI는 BHSI에 일방 그란저-cause함을 보인다. 이에 근거하여 모형을 구성하여 발틱 운임시장은 비효율적임을 보이고 예측능력 비교를 통해 BCI에 의한 발틱 핸디막스 운임의 예측력이 우수하며, 발틱 수퍼막스 운임과 발틱 케이프 사이즈 운임에 의한 발틱 파나막스 운임의 예측이 가장 정확하지 못함을 보인다.
The aim of this paper is to find out the nature of causality between the two ocean freights employing the Granger method. That is because the Baltic freights tend to move very closely and seem to be behave like one time series. The Granger causality test, however, is very sensitive to the number of ...
The aim of this paper is to find out the nature of causality between the two ocean freights employing the Granger method. That is because the Baltic freights tend to move very closely and seem to be behave like one time series. The Granger causality test, however, is very sensitive to the number of lags used in the analysis. This means that one has to be very careful in implementing the Granger causality test. This paper, hence, uses more rather than the lags which the Akaike Information Criterion and the Schwarz Information Criterion suggest. This study shows that BPI does not "Granger-cause" BCI and BSI, but BCI and BSI Granger-cause BPI. I also discover that BHSI does not "Granger-cause" BPI and BSI, but BPI and BSI Granger-cause BHSI. I, hence, model and estimate the ocean freight function and show that the Baltic ocean freight market is inefficient and the biased estimator of the other freight.
The aim of this paper is to find out the nature of causality between the two ocean freights employing the Granger method. That is because the Baltic freights tend to move very closely and seem to be behave like one time series. The Granger causality test, however, is very sensitive to the number of lags used in the analysis. This means that one has to be very careful in implementing the Granger causality test. This paper, hence, uses more rather than the lags which the Akaike Information Criterion and the Schwarz Information Criterion suggest. This study shows that BPI does not "Granger-cause" BCI and BSI, but BCI and BSI Granger-cause BPI. I also discover that BHSI does not "Granger-cause" BPI and BSI, but BPI and BSI Granger-cause BHSI. I, hence, model and estimate the ocean freight function and show that the Baltic ocean freight market is inefficient and the biased estimator of the other freight.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 상관계수가 양의 부호를 가져 운임이상호 같은 방향으로 움직이고 있다는 것을 알 수 있다(<부표 1>). 이에 본고는 운임 간 인과관계를 분석한 후 이에 근거하여 모형을 설정하여 운임 간 효율적 시장이 성립하는가를 살펴본다. 그리고 운임 간 예측능력을 비교한다.
가설 설정
또한 BSI가 BHSI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BHSI가 BSI를 그란저 cause 하지 않는다는 가설은 시차 2에서는 기각되나 나머지 시차에서 기각하는데 실패하여 BSI 는 BHSI에 영향을 미치나 BHSI는 BSI에 영향을 미치지 않고 있다. BPI가 BHSI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BHSI가 BPI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각하는데 실패하여 BPI는 BHSI에 영향을 미치나 BHSI는 BPI에 영향을 미치지 않고 있다.
BSI가 BPI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BPI가 BSI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각하는데 실패하여 BSI는 BPI 에 영향을 미치나 BPI는 BSI에 영향을 미치지 않고 있다. 또한 BSI가 BHSI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BHSI가 BSI를 그란저 cause 하지 않는다는 가설은 시차 2에서는 기각되나 나머지 시차에서 기각하는데 실패하여 BSI 는 BHSI에 영향을 미치나 BHSI는 BSI에 영향을 미치지 않고 있다.
인과성 검정 결과를 보여주는 <표 2>에서 BCI가 BPI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BPI가 BCI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각하는데 실패하여, BCI는 BPI에 영향을 미치나 BPI는 BCI에 영향을 미치지 못하는 것으로 나타났다. 또한 BCI가 BSI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BSI가 BCI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각하는데 실패하여 BCI는 BSI에 영향을 미치나 BSI는 BCI에 영향을 미치지 않고 있다. BCI가 BHSI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BHSI가 BCI를 그란저 cause하지 않는다는 가설은 시차 2에서는 기각되나 다른 시차에서 기각하는데 실패하여 BCI는 BHSI에 영향을 미치나 BHSI는 BCI에 영향을 미치지 않고 있다.
제안 방법
이와는 반대로 타일의 불일치 계수가 BSI를 통한 BPI의 예측오류가 가장 높고 BCI를 통한 BPI의 예측오류가 뒤를 이어 BCI와 BSI를 통한 BPI의 예측실적이 가장 빈약함을 보여주고 있다. 그러나 예측단계가 길어지면 핸디막스 시장을 제외한 모든 시장에서 예측의 편이(bias)가 존재함을 ME와 MAE의 크기를 비교하여 알수 있다.
이에 본고는 운임 간 인과관계를 분석한 후 이에 근거하여 모형을 설정하여 운임 간 효율적 시장이 성립하는가를 살펴본다. 그리고 운임 간 예측능력을 비교한다.
모형의 예측능력 평가를 위하여 여기에서는 RMSE, ME, MAE(Mean Absolute Error), 타일의 불일치 계수를 채택한다. 타일의 불일치 계수는 나이브(naive) 모형의 RMSE에 대한 모형의 RMSE 비율이다.
데이터처리
모형 6개에 대한 추정을 하기 이전에 모형의 안정성을 조사하기 위하여 공적분 검정을 실시한다. 공적분 검정은 Engle and Granger(1987)의 공적분 기법(EG검정)을 이용한다.
이론/모형
모형 6개에 대한 추정을 하기 이전에 모형의 안정성을 조사하기 위하여 공적분 검정을 실시한다. 공적분 검정은 Engle and Granger(1987)의 공적분 기법(EG검정)을 이용한다. 시차는 인과성 검정에서와 같이 AIC와 SIC를 이용하여 선정한다.
여기에서는 시차가 중요한 역할을 수행하기 때문에 “아카이케 정보기준(Akaike Information Criteria: AIC)과 “쉬워즈 베이즈 정보기준(Schwarz Information Criteria: SIC)”을 이용하여 선정한다.
성능/효과
그 결과 에서 보는 바와 같이 BCI-BHSI의 시차 0의 경우를 제외하고 모든 시차에서 모형이 안정적이지 못하다는 가설이 기각되어 모형이 안정적인 것으로 나타났다.
발틱운임지수들은 상호간에 매우 유사한 변동패턴을 가지고 있으며 일정한 시차를 가지고 움직이고 있기 때문에 운임간에 인과성의 성격을 밝히는 것이 필요하다. 그란저 인과성 검정은 시차에 대단히 민감하기 때문에 AIC와 BIC가 제시한 시차 이외에 대해서도 분석하여 BCI는 BPI, BSI, BHSI에 일방 그란저 cause하고, BSI는 BPI, BHSI에 일방 그란저 cause하며, BPI는 BHSI에 일방 그란저 cause함을 알 수 있었다. 이에 근거하여 모형 6개를 구성한 후 EG검정을 이용하여 모형이 안정적인 것으로 나타났다.
모형의 예측능력은 BCI-BSI, BCI-BHSI에서 가장 좋은 높은 예측능력을 보인 반면에 BSI-BPI, BCI-BPI에서 가장 낮은 예측력을 보였다. 그리고 예측단계가 길어짐에 따라 핸디 막스 시장을 제외한 모든 시장에서 예측의 편이가 존재한다는 것도 알 수 있었다.
모형의 예측능력은 BCI-BSI, BCI-BHSI에서 가장 좋은 높은 예측능력을 보인 반면에 BSI-BPI, BCI-BPI에서 가장 낮은 예측력을 보였다. 그리고 예측단계가 길어짐에 따라 핸디 막스 시장을 제외한 모든 시장에서 예측의 편이가 존재한다는 것도 알 수 있었다.
<표 6>의 예측오류에서 RMSE를 기준으로 BCI-BSI 0.0216, BCI-BHSI 0.0238로 가장 좋은 높은 예측능력을 보인 반면에 BSI-BPI 0.2319, BCI-BPI 0.1211로 BCI와 BSI를 통한 BPI 의 예측이 가장 빈약한 것으로 나타났다. 타일의 불일치 계수는 BCI를 통한 BSI의 예측이 가장 낮고, BCI를 통한 BHSI의 예측이 뒤를 따름으로써 BCI를 통한 핸디막스시장의 예측이 가장 우수함을 보여주고 있다.
그란저 인과성 검정은 시차에 대단히 민감하기 때문에 AIC와 BIC가 제시한 시차 이외에 대해서도 분석하여 BCI는 BPI, BSI, BHSI에 일방 그란저 cause하고, BSI는 BPI, BHSI에 일방 그란저 cause하며, BPI는 BHSI에 일방 그란저 cause함을 알 수 있었다. 이에 근거하여 모형 6개를 구성한 후 EG검정을 이용하여 모형이 안정적인 것으로 나타났다. 이에 따라 OLS를 이용하여 모형을 추정하여 해상운임시장이 비효율적인 것으로 나타났다.
이에 근거하여 모형 6개를 구성한 후 EG검정을 이용하여 모형이 안정적인 것으로 나타났다. 이에 따라 OLS를 이용하여 모형을 추정하여 해상운임시장이 비효율적인 것으로 나타났다.
타일의 불일치 계수는 BCI를 통한 BSI의 예측이 가장 낮고, BCI를 통한 BHSI의 예측이 뒤를 따름으로써 BCI를 통한 핸디막스시장의 예측이 가장 우수함을 보여주고 있다. 이와는 반대로 타일의 불일치 계수가 BSI를 통한 BPI의 예측오류가 가장 높고 BCI를 통한 BPI의 예측오류가 뒤를 이어 BCI와 BSI를 통한 BPI의 예측실적이 가장 빈약함을 보여주고 있다. 그러나 예측단계가 길어지면 핸디막스 시장을 제외한 모든 시장에서 예측의 편이(bias)가 존재함을 ME와 MAE의 크기를 비교하여 알수 있다.
인과성 검정 결과를 보여주는 에서 BCI가 BPI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각되는데 비해 BPI가 BCI를 그란저 cause하지 않는다는 가설은 모든 시차에서 기각하는데 실패하여, BCI는 BPI에 영향을 미치나 BPI는 BCI에 영향을 미치지 못하는 것으로 나타났다.
1211로 BCI와 BSI를 통한 BPI 의 예측이 가장 빈약한 것으로 나타났다. 타일의 불일치 계수는 BCI를 통한 BSI의 예측이 가장 낮고, BCI를 통한 BHSI의 예측이 뒤를 따름으로써 BCI를 통한 핸디막스시장의 예측이 가장 우수함을 보여주고 있다. 이와는 반대로 타일의 불일치 계수가 BSI를 통한 BPI의 예측오류가 가장 높고 BCI를 통한 BPI의 예측오류가 뒤를 이어 BCI와 BSI를 통한 BPI의 예측실적이 가장 빈약함을 보여주고 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
건화물선 발틱운임 지수로 무엇이 있는가?
건화물선 발틱운임인 케이프사이즈 운임지수(BCI), 파나막스사이즈 운임지수(BPI), 핸디막스사이즈 운임지수(BSI와 BHSI)들의 인과성과 효율성을 살펴본다. 인과성 분석을 위해 그란저 인과성 방법을 도입하여 BCI는 BPI, BSI, BHSI에 일방 그란저-cause하며, BSI는 BPI, BHSI에 일방 그란저-cause하고, BPI는 BHSI에 일방 그란저-cause함을 보인다.
AIC와 SIC는 어떤 방식인가?
여기에서는 시차가 중요한 역할을 수행하기 때문에 “아카이케 정보기준(Akaike Information Criteria: AIC)과 “쉬워즈 베이즈 정보기준(Schwarz Information Criteria: SIC)”을 이용하여 선정한다. AIC와 SIC는 모두 각 모형에 포함하는 변수의 시차를 증가 시킴과 동시에 이에 대한 벌점(penalty)을 비율적으로 부과하는 방식이다. 그러나 AIC는 시차를 증가시킬 때마다 변수 갯수의 자승에 2를 곱하여 벌점을 부과하는 반면, SIC는 변수 갯수의 자승에 관찰치 수의 자연대수값을 곱하여 부과한다.
아카이케 정보기준(AIC)과 쉬워즈 베이즈 정보기준(SIC)의 차이점은 무엇인가?
AIC와 SIC는 모두 각 모형에 포함하는 변수의 시차를 증가 시킴과 동시에 이에 대한 벌점(penalty)을 비율적으로 부과하는 방식이다. 그러나 AIC는 시차를 증가시킬 때마다 변수 갯수의 자승에 2를 곱하여 벌점을 부과하는 반면, SIC는 변수 갯수의 자승에 관찰치 수의 자연대수값을 곱하여 부과한다. 따라서 관측치가 많을 때는 SIC의 경우가 AIC보다 짧게 된다는 차이가 있으며 여기서는 불필요한 자유도의 손실을 방지하기 위해서 SIC를 기준으로 한다. <표 1>은 적정시차 결정을 위해 AIC와 SIC를 이용한 결과를 보여주고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.