| 論文摘要 |
國際貿易是以海運為主，其中不定期國際散裝海運市場的運費起伏變動大且不易預測，使得投資不定航面臨較高的風險與不確定性，而波羅的海乾散貨指數(Baltic Dry Index , BDI)則是判斷不定航市場重要的指標。
在BDI預測方法中，可大致分為兩大類，傳統時間序列預測與非線性(non-linear)和資料探勘方法預測。因BDI屬於非穩定的時間序列資料，而傳統時間序列預測雖能準確的進行線性的時間序列預測，但對於擁有經濟起伏衰退特徵的BDI卻無法準確預測。而機器學習方法近年來逐漸應用於非線性及非定態的時間序列資料預測。本研究結合時間序列模型中之 ARIMA (Autoregressive Integrated Moving Average model) 與機器學習方法中的分類迴歸樹 (Classification and Regression Tree, CART) 模型，採用分類迴歸樹可以找出重要的解釋變數，補足單純使用時間序列模型時較為缺乏的變數解釋。
本研究先以基於Loess函數的季節與趨勢分解方法 (Seasonal and Trend decomposition using Loess, STL)將BDI分解為三部分：趨勢、季節、剩餘，以ARIMA校估並預測趨勢，以CART校估並預測剩餘部分，並以CART解釋影響季節的重要解釋變數再以平均絕對百分比誤差(Mean Absolute Percentage Error , MAPE)評估其預測準確度。最後比較本研究所提出之混合模型、單一ARIMA模型和單一CART模型對BDI進行預測之結果，結果顯示，混合模型的預測準確度較其它兩者高，且預測結果能明顯的表現出季節性與趨勢之特性，研究結果可提供海運業者做為經營與決策不定航市場方針之參考。 |
