핸디사이즈급 건화물선 운임의 단기 예측과 시계열 분류용 DNN 아키텍처
Short-term Forecasting of Handysize freight rates and DNN architecture for time series classification
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
이 연구는 Handysize 운임의 주간 변화를 단순한 상승·하락 예측(framework)에 기반해 분석한다. 2006년부터 2024년까지의 일별 Baltic Handysize Index(BHSI) 데이터를 활용해 5일치 주간 패턴을 구성하고, 다음 주 평균 운임이 현재 주 평균 운임보다 높을지 낮을지를 예측한다. 이를 위해 다층 퍼셉트론, 완전 합성곱 신경망, 잔차 신경망 구조로 이루어진 48개의 컴팩트한 심층신경망과 더불어Bi-LSTM, Transformer, 서포트 벡터 머신, 랜덤 포레스트 분류기와 같은 표준 벤치마크 모형을 포괄적으로 비교한다. 서로 다른 시장 국면에서 수행한 out-of-time 검증 결과, 주중 순서 변화에 대해 적정 수준의 민감도를 지닌 잔차 신경망이 가장 정확하고 안정적인 예측 성능을 보이며, 동시에 잘 보정된(probability calibration) 예측 확률을 산출하는 것으로 나타났다. 이러한 결과는 주간 운임 패턴에활용 가능한 방향성 정보가 내재해 있음을 시사하며, 제안한 잔차 신경망이 건화물선 시장에서 용선의사결정, 운임 헤지, 시장 모니터링을 위한 효과적인 도구로 기능할 수 있음을 보여준다.
Abstract
This study forecasts weekly changes in Handysize freight rates using a simple up-or-down prediction framework. We utilize daily Baltic Handysize Index (BHSI) data from 2006 to 2024 to construct five-day weekly patterns, subsequently predicting whether the average rate for the following week will be higher or lower than that of the current week. To accomplish this, we compare a comprehensive set of models, including 48 compact deep neural networks—comprising multilayer perceptrons, fully convolutional, and residual architectures—as well as standard benchmarks such as Bi-LSTM, Transformer, support vector machine, and random forest classifiers. Out-of-time tests conducted under various market conditions demonstrate that a residual network with moderate sensitivity to intra-week ordering delivers the most accurate and stable forecasts, yielding well-calibrated probabilities. These findings indicate that weekly freight patterns encompass exploitable directional information and that the proposed residual network can function as an effective tool for chartering decisions, freight hedging, and market monitoring within the dry bulk shipping industry.