基于支持向量机的干散货运价指数预测研究

发布时间：2020-04-27 11:14

【摘要】： 国际干散货航运市场是国际航运市场中非常重要的一个子市场。由于干散货航运市场运价波动剧烈,走势难以琢磨,受到的影响因素非常复杂,是一个非线性的复杂系统,因而,传统的预测方法并不适合对它进行预测。这给航运经营者和货物托运人决策带来了困难。因此,考察运价指数波动的内在规律和外在影响,并在此基础之上开发新的模型预测运价指数,可以为航运市场经营者和投资者提供把握市场态势、规避价格风险的有力的工具。本文针对巴拿马型干散货船舶,进行基于支持向量机(Support Vector Machines,SVM)模型的波罗的海运价指数预测研究。SVM充分考虑了运价指数的随机性,同时其泛化能力较之神经网络有明显改善,更适用于对非线性时间序列进行预测。首先,分析干散货航运市场的内部供给和需求的运行机制,挖掘运价指数剧烈波动的深层原因。其次,对运价指数的形成过程及计算原理进行阐述,通过分析,运价指数可以准确反映航运市场的变化,本文选取巴拿马型船舶运价指数(Baltic Panamax Index, BPI)指数作为研究对象。论述运价指数波动的外部影响因素,在此基础上,对干散货航运市场的现状和未来走势进行定性分析。接着,本文建立了小波变换-SVM混合预测模型,对小波变换、SVM的理论和适用性进行简要介绍,并且论证了混合预测模型的构建原理。最后,本文针对BPI序列进行实证分析,先用小波变换对运价指数序列进行去噪,消除无规律的突发事件造成的影响；随后用前五个月的BPI值作为输入变量,以第六个月的运价指数作为输出变量,对SVM模型进行训练,得到训练好的预测模型和单步预测结果。通过与ARIMA模型、神经网络模型得到的预测结果进行比较,发现小波-SVM模型具有最高的预测精度。在该模型上加入相关因素作为输入,进行BPI单步预测,取得了更好的预测效果。本文接下来尝试运用此模型进行多步预测,并构建了滞后3期的小波-SVM混合预测模型,可以较为准确的进行BPI的中期预测。
【图文】：

船型,好望角,干散货,巴拿马型船

图2.1近五年来分船型统计运力规模 F19.2.1ThefleetcaPaeityaceordingtothevesseltyPe图2.1反映了分船型统计的近五年来的历史运力规模。好望角型干散货船舶运力规模最大，且逐年保持较快增长。巴拿马型船舶运力规模居于第二位，但其增幅较缓慢，2006年至2009年保持在6%左右，2010年与09年基本持平。灵便型船舶基本没有运力规模的扩大。为了分析和比较不同船型和租期的运价波动特性，本文选取从1977年1月到2009年5月的巴拿马型、好望角型、灵便型干散货船舶的一年和三年期租运费率月度数据进行统计分析，，它们的波动情况见下面两幅图:

期租,租金,干散货,费率

一CaPes理e-Panamax~Handy幼Ze图2.2不同船型干散货船舶1年期租租金费率Fig.2.2Theoneyeartime一eharterrateunderdifferenidrybulkvesseltyPes80:000—一
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：F550.5;U695.27

【引证文献】