Forecasting freight rates volatility – A hybrid forecasting comparison approach

Abstract

Shipping er en svært volatil sektor, hvor markedsaktører med stor risikotoleranse kontinuerlig balanserer risiko og avkastning. Selv om volatiliteten i shippingsektoren har blitt modellert i begrenset omfang ved bruk av standard GARCH-modeller, har maskinlæring og komponentvolatilitetsmodeller ennå ikke blitt brukt til å utarbeide volatilitetsprognoser. Denne masteroppgaven undersøker hvordan hybridmodeller presterer i forhold til tradisjonelle GARCH-modeller og populære maskinlæringsmodeller for å predikere volatilitet i tørrbulk- og tankrater. Treffsikkerheten til modellene vurderes basert på tre metoder: minimalt aggregert tap, Model Confidence Set og Superior Predictive Ability-testen. Våre resultater viser at maskinlæringsmodellene presterer bedre enn GARCH-modellene i kortsiktige prognoser, hvor hybridmodellen Stacked Average, som inkluderer eksogene variabler, gir de mest robuste prognoseresultatene. De økonometriske modellene har derimot bedre treffsikkerhet over lengre prognoseperioder, tilsvarende ukentlige og månedlige intervaller – spesielt når markedsbalanseindeksene integreres gjennom GARCH-MIDAS-spesifikasjonen. For de mest volatile seriene peker resultatene mot at en kombinasjon av modellene er den mest optimale konfigurasjonen på tvers av prognoseperiodene. Følgelig gir denne masteroppgaven et solid bidrag til forskningen på volatilitetsdynamikken i shippingrater og hvordan lavfrekvente makroøkonomiske indikatorer kan anvendes i prognosemodeller. Dette er av stor verdi for alle markedsaktører i shippingsektoren som ønsker å forbedre sine analyser og risikostyring.

Shipping is an inherently volatile sector, where market participants with high-risk tolerance constantly strive to navigate risk and reward. While volatility dynamics in the shipping sector have been modeled to some extent using standard GARCH models, machine learning and component volatility models have not yet been applied in volatility forecasting. This thesis examines the performance of hybrid models compared to traditional GARCH and popular machine learning models for forecasting volatility in dry bulk and tanker freight rates. Forecasting accuracy is assessed through three approaches: minimum aggregated loss, the Model Confidence Set, and the Superior Predictive Ability test. Our results suggest that machine learning models significantly outperform GARCH models in short-term forecasting, with the hybrid model Stacked Average incorporating exogenous features yielding the most robust results. Econometric models demonstrate superior performance over extended forecast horizons, resembling weekly and monthly forecast steps, particularly when market tightness indices are integrated through the GARCH-MIDAS specification. For the most volatile series, the results point towards a combination of the models being the most optimal configuration across the forecasting steps. Consequently, this thesis makes an innovative contribution to the research on shipping rate volatility dynamics and the relationship with low-frequency macroeconomic indicators – valuable insights that significantly empower shipping market participants to enhance their forecasting models and risk management strategies.