The Russia-Ukraine Conflict, Crude Oil Price, and Transportation Industry Yield
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Russia-Ukraine Conflict had a serious impact on the economy of Russia and Ukraine and even the world, among which oil, banking, entertainment, and other industries were hit hard. Through the fluctuation of the transportation industry index during the Russia-Ukraine Conflict, this paper concluded that the Russia-Ukraine Conflict had a negative impact on the transportation industry in the short term. But in the longer term, the transport index soon leveled off. This paper finds that the global crude oil price index has a significant impact on the transportation industry only in the short term, and the fluctuation is particularly severe in the early stage of the outbreak of Conflict. This paper uses time-series model, VAR and ARMA-GARCH, to capture the impact of this external shock on the yield and volatility of transportation industry. Based on VAR estimation results, this paper finds that the VAR system we use is stationary processes. Further research finds that, through ARMA-GARCH model estimation, the change of international crude oil price will lead to the fluctuation of production of transportation industry. But this effect is delayed, which also reflects the time lag of financial market transmission. In this paper, we find that global crude oil prices have a significant impact on the inventory returns of the transportation industry in the short run. At the beginning of the conflict, returns were volatile, with the magnitude of the oscillations decreasing over time, and while the returns of the transport index were negatively affected by fluctuations in oil prices in the short term, the conflict had little impact on stock returns in the long term.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle