Аналіз матеріалів свідчить, що машинне навчання поступово покращує прогнозування фрахтових ставок: у огляді 28 досліджень за період 2012–2024 відзначено зростаючий інтерес до моделей, що враховують розмір флоту, попит на сировину, ціни на пальне та економічні індикатори.
Водночас історичні дані виявилися недостатніми для пояснення та надійного прогнозування різких ринкових потрясінь. Серед таких факторів названі геополітичні шоки, регулювання та раптові збої в поставках.
Позиції галузевих експертів
- Бурак Четинок (Arrow) відзначив, що сучасні інструменти швидше обробляють масиви даних, але якість і покриття даних залишаються обмеженнями, що знижують точність.
- Панос Патсадза (Trans Global Projects) підкреслив недостатній рівень цифровізації в галузі та зазначив, що минулі цикли не завжди є надійним орієнтиром для майбутньої поведінки ринку.
- Кристофер Свярд (Sea) вказав, що результат моделі залежить від конфігурації, якості вхідних даних та контексту, а також від інтерпретації людиною.
- Роар А́дланд (SSY) висловив скепсис щодо застосування large language models: на його думку, вони мало додають до вже використовуваних систем машинного навчання, що застосовуються понад десять років, і не підходять для автономних комерційних рішень.
Як експерти описали межі застосування
У матеріалах виділено три драйвери руху ставок: передбачувані фундаментальні фактори, непередбачувані шоки та короткострокова поведінкова «стадна» поведінка учасників ринку.
Для першого типу факторів ШІ здатен покращувати аналіз і прискорювати отримання висновків. Для другого ефект обмежений. Для третього існує ризик зворотного ефекту: якщо учасники використовують схожі моделі й дані, вони можуть масово збігатися в однакові позиції, посилюючи ринкові рухи.
Підсумковий консенсус сформульовано прямо: ШІ може точніше аналізувати, виявляти закономірності й допомагати з таймінгом рішень, але не скасовує циклічність морської економіки та не замінює професійне судження.
GLOAPM.COM