인공신경망을 활용한 발틱운임지수(BDI)예측 모형 연구 :(A) study on the baltic dry index prediction model, using artificial neural networks

배성훈

추천

검색

자료유형: 학위논문

저자정보: 배성훈 (중앙대학교, 중앙대학교 대학원)

지도교수: 박근식

발행연도: 2020

저작권: 중앙대학교 논문은 저작권에 의해 보호받습니다.

이용수22

이 논문의 연구 히스토리 (2)

2020

인공신경망을 활용한 발틱운임지수(BDI)예측 모형 연구

배성훈 무역물류학과 2020.01 학위논문

시계열 모형을 이용한 발틱운임지수(BDI) 예측 연구

배성훈 , 박근식 국제상학 2020.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

부정기선 해운 시장은 진입 장벽이 매우 낮아 높은 변동성을 가지는 시장으로, 해운 시장에 참여하고 있는 선사 및 관련 기업들의 의사결정은 이러한 시황 움직임을 기반으로 이루어지므로 시황의 예측과 전망에 매우 민감할 수 밖에 없다. 과거 국내 대표적 해운 1~4위 선사 모두 법정관리, 파산 그리고 채권단 관리 속에 극심한 구조조정을 겪었으며, 이러한 원인으로 향후 시장의 전망과 시황의 예측 실패를 꼽을 수 있다. 따라서 정확도가 높은 BDI를 예측하는 것은 해운기업에 있어서 매우 중요한 부분으로 시황 예측 모델은 기업의 운영과 투자 전략에도 핵심적인 역할을 담당한다.
이러한 시황 예측에 사용되는 대표적인 지수로는 BDI가 있다. BDI는 해운 시황을 나타내는 다양한 지수들 가운데 가장 대표적인 지수이며, BDI의 상승은 해상 운임 등 해운 시황이 상승함과 동시에, 해상 운송 또한 활발하게 이루어지고 있다는 것을 의미한다. 정확한 BDI 예측을 위해 알파고 이후로 큰 주목을 받고 있는 인공신경망 모형을 활용하고자 한다. 왜냐하면 기존 계량경제학에서는 변수에 대한 엄격한 가정이 있는 단점이 있었다면 인공신경망 모형은 자유로운 상황에서 분석 및 예측이 가능하기 때문이다. 따라서 본 연구는 인공신경망 모형 활용을 통해 최적의 모형을 선정하고 해운 시황 관계자들에게 의미있고 유용성 있는 BDI 예측 지표를 제공하는데 목적이 있다.
본 연구의 결과를 요약하면 다음과 같다. 첫째, 인공신경망 모형 중에서도 LSTM의 예측력이 가장 우수함과 일변량보다는 다변량에서 더 나은 예측력을 보임을 확인하였다. 둘째, 본 연구는 선정된 변수의 조합에 따라 예측력에 차이가 있다는 것을 확인하고자 하였다. 인공신경망 각 모형에서 전체 변수가 아닌 변수의 조합을 통한 분석에서 예측력이 달라짐을 알 수 있었다. 셋째, 전체 연구기간에서 이상치 구간으로 볼 수 있는 2007년과 2008년을 학습 기간에서 제외하고 나머지 모든 값은 전술한 방법과 동일하게 하여 분석해보았다. 분석 결과로는 전체 학습기간 대비해서 이상치를 제외한 분석의 예측오차값이 더 낮았다. 이는 안정화 기간인 검증 기간에서는 이상치를 제외했을 때 모형의 예측력이 높아짐을 뜻한다. 마지막으로 본 연구에서 검증된 모델을 가지고 선행연구에서 사용한 모델과 비교했을 때 예측오차값이 낮음을 확인하였다. 다만 동일한 모델에서 2020년 1월~6월까지의 최신값을 검증 데이터로 분석한 결과 전체 기간의 모델은 과적합되지 않았으나, 2007년과 2008년을 제외한 기간에서 사용된 모델은 과대적합되어 모델의 한계점을 제시하였다.
본 연구의 결과는 부정기선 해운시장에서 신조선 발주, 용선 및 대선 의사 결정, 장기 계약 등에 있어 의사결정에 과학적 근거를 제시할 수 있다는 측면에서 상당한 의미가 있다.
본 연구를 통해 해운 시장의 운임 변동성 예측을 통한 대응에 도움이 되길 바라며 지속적으로 해운 시장 변동에 대한 이해를 바탕으로 다양한 변수 발굴과 하이브리드 인공신경망 모델을 통해 끊임없는 연구가 이루어지길 바란다.

Since the decision making of the shipping company is made based on the changes of the market conditions, the tramper shipping market as a market having high variability due to very low entry barrier cannot help but be sensitive to the prediction and prospect of the market conditions. In the past, all the domestic major shipping companies ranked top to 4th position were suffered from the severe reorganization under the legal management, bankruptcy and the creditor management, the cause of which can be considered as the failure of prospect of future market and the prediction of market conditions. Therefore, forecasting BDI with high accuracy is very important for the shipping company and the market forecasting model takes core part of the company operation and the investment strategy.
The representative index used in such market forecasting is BDI (Baltic Dry Index.) BDI is the most representative index out of diverse indices indicating the tramper shipping market conditions, and the rise of BDI means that the tramper shipping market conditions go up and at the same time, the marine transportation is made actively. To forecast the BDI accurately, it is intended to utilize the artificial neural network model, which has received the great attention recently. Because while the existing econometrics has a weakness of having strict assumption on the variable, but the artificial neural network model can analyze and forecast without regarding the circumstance. Therefore, the purpose of this study is to select the optimum model and to provide the meaningful and useful BDI forecasting indicators to shipping market stakeholders.
The results of this study are summarized as follows. First, it was verified that out of the artificial neural network models, the prediction power of LSTM was superior and the better prediction power was shown with the multivariate than the univariate. Second, this study verified that the there is difference in the prediction power according to the combination of selected variables. It was observed that in each artificial neural network model, the prediction power was varied in the analysis through combination of variable not the entire variables. Third, it was analyzed by excluding the 2007 and 2008, when the market condition was changed drastically, from the entire research period and all the remaining values were same as aforementioned method. In the analysis results, the prediction error value of the analysis excluding the extreme period was lower than the entire learning period, which means that the prediction power of the model is increased when excluding the extreme period from the verification period, which was the stabilized period. Finally, since the prediction error value was low when comparing the model tested in this study with the models used in the preceding researches, the excellence of the model was proven. However, in the results of analyzing the latest values from January to June, 2020 with the test data in the same model, the model for entire period was not overfitted but the model used for the period excluding 2007 and 2008 was overfitted suggesting the limitation of the model.
The results of this study has significant meaning in the aspect that it can present the scientific basis for the decision making for the new shipbuilding order, decision making for ship chartering and long-term contract, etc. Through this study, I hope that this will help respond by predicting freight market volatility in the tramper shipping market, and that continuous research will be conducted through various variable discovery and hybrid artificial neural network models.

제1장 서 론 1
제1절 연구배경 및 목적 1
제2절 연구 방법과 내용 3
제2장 부정기선 시장의 특징과 BDI 5
제1절 부정기선 해운시장의 현황 5
1. 부정기선 시장의 특징 5
2. 해운시황 결정에 영향을 주는 주요 요인 11
제2절 BDI 개요 16
1. BDI 개요 16
2. BDI 변동 추이 17
3. BDI 예측의 중요성 19
제3장 선행연구 검토 20
제1절 계량경제모형을 이용한 BDI 예측 20
1. BDI 예측연구 20
2. BDI 하위요소 예측연구 28
제2절 인공신경망을 이용한 예측 35
1. 인공신경망을 이용한 일반 예측연구 35
2. 인공신경망을 이용한 BDI 예측연구 41
제3절 선행연구와의 차별성 49
제4장 시나리오 설계 및 분석모형 51
제1절 시나리오 설계 51
제2절 분석모형 56
1. 인공신경망 개요 56
2. 인공신경망 모델링 60
3. 분석방법 69
제5장 자료 수집 및 변수선정 73
제1절 변수선정 과정 73
1. 변수선정 과정 설계 73
2. 변수 선정 74
3. 분석자료의 구성 77
4. 기술적 통계 및 분석자료의 특성 78
제2절 변수검정 82
1. 상관관계 분석 82
2. 다중회귀 분석 86
3. 단위근(unit root) 검정 90
4. 그랜저(granger) 인과관계분석 92
제6장 시나리오 분석결과 95
제1절 일변량 BDI 분석 95
1. 일변량 모형 설계 95
2. 일변량 초모수 선정 99
3. 분석결과 종합 99
4. 소결 101
제2절 다변량 BDI 분석 105
1. 다변량 모형 설계 105
2. 다변량 초모수 선정 106
3. 최적 변수 선정 107
4. 분석결과 종합 111
5. 소결 114
제7장 모형 검증 119
제1절 검증 흐름도 설계 119
제2절 선행연구와 비교 121
1. 시나리오Ⅰ 122
2. 시나리오Ⅱ 122
3. 분석 결과 종합 123
4. 소결 124
제3절 과적합 검증 126
1. 시나리오Ⅰ 127
2. 시나리오Ⅱ 127
3. 분석 결과 종합 128
4. 소결 129
제8장 결 론 133
제1절 연구 요약 133
제2절 연구 한계 및 향후 연구 방향 134
참고문헌 136
부 록 146
국문초록 208
Abstract 210

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)