본 연구의 목적은 Neural NetworkRegression 모델을 활용하여 선박의 가치평가 모델을 개발하는 것이다. 가치평가의 대상은 중고 VLCC선이며, 선행연구를 통해 선박의 가치 변화를 유발하는 주요 요인들을 선별하여 변수를 설정하고, 2000년 1월부터 2020년 8월까지의 해당 데이터를 확보하였다. 변수의 안정성을 판단하기 위해 다중 공선성 검사를 수행하여 최종적으로 6개의 독립변수와 1개의 종속변수를 선정하고 연구 구조를 설계하였다. 이를 바탕으로 Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용하여 총 9개의 시뮬레이션 모델을 설계하였다. 또한 각 모델간의 비교검증을 통해 평가결과의 정확성을 제고시켰다. 평가 결과, VLCC실제값과의 비교를 통해 2층으로 구성된 Hidden Layer의 Neural Network Regression 모델이 가장 정확도가 높은 것으로 나타났다. 본 연구의 시사점은 첫째, 기존 정형화된 평가기법에서 벗어나 기계학습기반 모델을 선박가치평가에 적용하였다는 점이다. 둘째, 해운시장 변화요인을 동태적 관점에서 분석하고 예측함으로써 연구결과의 객관성을 제고시켰다고 할 수 있다.
본 연구의 목적은 Neural Network Regression 모델을 활용하여 선박의 가치평가 모델을 개발하는 것이다. 가치평가의 대상은 중고 VLCC선이며, 선행연구를 통해 선박의 가치 변화를 유발하는 주요 요인들을 선별하여 변수를 설정하고, 2000년 1월부터 2020년 8월까지의 해당 데이터를 확보하였다. 변수의 안정성을 판단하기 위해 다중 공선성 검사를 수행하여 최종적으로 6개의 독립변수와 1개의 종속변수를 선정하고 연구 구조를 설계하였다. 이를 바탕으로 Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용하여 총 9개의 시뮬레이션 모델을 설계하였다. 또한 각 모델간의 비교검증을 통해 평가결과의 정확성을 제고시켰다. 평가 결과, VLCC실제값과의 비교를 통해 2층으로 구성된 Hidden Layer의 Neural Network Regression 모델이 가장 정확도가 높은 것으로 나타났다. 본 연구의 시사점은 첫째, 기존 정형화된 평가기법에서 벗어나 기계학습기반 모델을 선박가치평가에 적용하였다는 점이다. 둘째, 해운시장 변화요인을 동태적 관점에서 분석하고 예측함으로써 연구결과의 객관성을 제고시켰다고 할 수 있다.
The purpose of this study is to develop the ship valuation model by utilizing the neural network model. The target of the valuation was secondhand VLCC. The variables were set as major factors inducing changes in the value of ship through prior research, and the corresponding data were collected on ...
The purpose of this study is to develop the ship valuation model by utilizing the neural network model. The target of the valuation was secondhand VLCC. The variables were set as major factors inducing changes in the value of ship through prior research, and the corresponding data were collected on a monthly basis from January 2000 to August 2020. To determine the stability of subsequent variables, a multi-collinearity test was carried out and finally the research structure was designed by selecting six independent variables and one dependent variable. Based on this structure, a total of nine simulation models were designed using linear regression, neural network regression, and random forest algorithm. In addition, the accuracy of the evaluation results are improved through comparative verification between each model. As a result of the evaluation, it was found that the most accurate when the neural network regression model, which consist of a hidden layer composed of two layers, was simulated through comparison with actual VLCC values. The possible implications of this study first, creative research in terms of applying neural network model to ship valuation; this deviates from the existing formalized evaluation techniques. Second, the objectivity of research results was enhanced from a dynamic perspective by analyzing and predicting the factors of changes in the shipping. market.
The purpose of this study is to develop the ship valuation model by utilizing the neural network model. The target of the valuation was secondhand VLCC. The variables were set as major factors inducing changes in the value of ship through prior research, and the corresponding data were collected on a monthly basis from January 2000 to August 2020. To determine the stability of subsequent variables, a multi-collinearity test was carried out and finally the research structure was designed by selecting six independent variables and one dependent variable. Based on this structure, a total of nine simulation models were designed using linear regression, neural network regression, and random forest algorithm. In addition, the accuracy of the evaluation results are improved through comparative verification between each model. As a result of the evaluation, it was found that the most accurate when the neural network regression model, which consist of a hidden layer composed of two layers, was simulated through comparison with actual VLCC values. The possible implications of this study first, creative research in terms of applying neural network model to ship valuation; this deviates from the existing formalized evaluation techniques. Second, the objectivity of research results was enhanced from a dynamic perspective by analyzing and predicting the factors of changes in the shipping. market.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 Table 1과 같이 선박가치의 정확한 평가를 위해 해운시장의 변화를 반영하는 변수와 데이터 기반의 Neural Network모델을 이용하고, 선박 가치에 영향을 미치는 요인들을 바탕으로 선박의 가치를 측정하는 모델을 개발함으로써 기존 연구들이 갖는 한계점을 극복하고자 한다.
본 연구는 세 가지 알고리즘을 활용하여 선박가치를 평가하고 예측하기 위해 수행되었다. 선형 위주의 예측 모델의 한계점을 보완하기 위해 Neural Network Regression과 Random Forest 알고리즘을 활용하여 9개의 모델을 생성하였다.
본 연구에서는 선박가치평가의 객관성 제고를 위한 대안으로 Neural Network Regression 방법을 이용한 선박 가치평가모델을 개발하고자 한다. 이를 위해 본 연구는 선박 가치의 평가대상으로 중고 VLCC선을 선정하여 실증분석을 수행하였다.
선박가치평가는 선박을 소유한 선사의 재무, 영업, 시장 상황 등을 고려하여 선박의 상업적인 가치를 평가하고 금융기관이 이를 담보로 대출금 및 이자율 조정에 활용하는 것을 목적으로 한다. 따라서 선박의 가치에 영향을 미치는 변수를 선정하기 위해서는 선박의 수요를 책임지는 글로벌 경기 여건과 선박의 공급을 담당하는 조선시장, 그리고 운임시장의 변화 등을 종합적으로 검토할 필요가 있다.
가설 설정
, 2015). 히든 레이어의 노드 수는 1) 입력 레이어의 노드 수와 출력 레이어의 노드 수 사이의 값 또는 2) 입력 레이어의 노드 수와 출력 레이어의 노드수의 총합의 2/3의 값 또는 3) 입력 레이어의 노드 수의 2배보다 작은 값을 추천한다. 본 연구에서 첫 번째 방법을 사용하였으며 히든 레이어의 노드의 수를 입력 노드 수와 같도록 설정하였다.
제안 방법
8은 Neural Network Regression 모델의 구성을 나타낸다. Input layer에는 Bias를 포함해 VLCC Freight, VLCC Supply, Scrap Value, Newbuilding price, LIBOR Interest rate, VLCC Orderbook을 입력 변수로 설정하였다. 히든 레이어 1에서는 입력 레이어에서 받은 값과 가중치를 곱해 각각의 합을 더한 후 식(1)의 sigmoid 활성화 함수의 입력으로 전달한다.
Neural Network모델을 활용하여 벌크 선박의 가치와의 상관성을 연구한 사례에서는, 선박 가치에 영향을 미치는 6가지 요인에 대해 각각의 요인별 중요도를 분석하여 3가지 요인을 선정한 후 Linear Regression Model과 가치추정치의 결과를 비교하여 Neural Network모델의 정확도를 입증하였다. 그러나 동 연구는 히든 레이어를 한 개층으로 구성한 단순 Neural Network모델이며, 가치 추정을 위해 3개의 요인만을 사용하였다는 한계점을 내포하고 있다(Lim et al.
Table 6과 같이 히든 레이어의 노드 수와 히든 레이어 층수의 조합으로 총 4개의 Neural Network Regression Model를생성하였다.
셋째, 각 모델의 시뮬레이션을 수행하여 선박가치를 산출한다. 넷째, 산출된 결과에 대한 정확도를 비교 검증한다.
변수들 가운데는 다중공선성 검증을 통해 데이터의 안정성을 검사하고 최종적으로 도출된 시계열 데이터들을 대상으로 평가 모델을 구축하였다. 다음으로 Microsoft Azure Studio의 Neural Network Regression 모델을 활용해 모델의 구조를 식별하고 가치평가를 위한 최적의 모델을 산출하여 선박가치평가를 수행하였다. 또한 Linear Regression Model과 Random Forest을 이용하여 선박 가치를 평가하는 교차비교 분석을 통해 두 분석 기법 간의 정확성을 검증하였다.
다음으로 안정성 검증 과정을 거쳐 최종 선정된 변수 6가지(VLCC Freight, VLCC Supply, VLCC Scrap Value, VLCC Newbuilding Price, VLCC Orderbook/Supply Ration, Libor Rate)를대상으로 종속변수인 VLCC Secondhand Price를 평가하기 위해 관련 데이터를 확보하였다. 데이터는 영국의 해운 시장리서치 전문기관인 Clarkson Research에서 매월 발간하는 데이터를 기반으로Table 4과 같이 2000년 1월~2020년 8월까지의 248개월간 데이터를 확보하여 분석을 수행하였다.
첫 번째, 선박가치에 영향을 미치는 변수를 설정하고 유의한 데이터를 확보한다. 둘째, Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용한 모델을 설계한다. 셋째, 각 모델의 시뮬레이션을 수행하여 선박가치를 산출한다.
다음으로 Microsoft Azure Studio의 Neural Network Regression 모델을 활용해 모델의 구조를 식별하고 가치평가를 위한 최적의 모델을 산출하여 선박가치평가를 수행하였다. 또한 Linear Regression Model과 Random Forest을 이용하여 선박 가치를 평가하는 교차비교 분석을 통해 두 분석 기법 간의 정확성을 검증하였다. 이를 위해 RMSE(평균제곱근오차) 를 통해 실제 선박가치와의 오차를 비교 검토하였다.
또한 사용된 각 데이터 특징들의 값의 범위 차이가 크다고 판단하여 모든 데이터를 [0, 1] 범위로 만드는 최소 최대정규화를 적용하였다. 이는 학습이 안정적이고 빠르게 실행되기 위함이다.
연구의 구성은 다음과 같다. 먼저 선박가치에 영향을 미치는 다양한 요소들을 기존 문헌연구 등을 통해 도출해내고 이를 바탕으로 가치평가 모델을 설계하였다. 변수들 가운데는 다중공선성 검증을 통해 데이터의 안정성을 검사하고 최종적으로 도출된 시계열 데이터들을 대상으로 평가 모델을 구축하였다.
먼저 선박가치에 영향을 미치는 다양한 요소들을 기존 문헌연구 등을 통해 도출해내고 이를 바탕으로 가치평가 모델을 설계하였다. 변수들 가운데는 다중공선성 검증을 통해 데이터의 안정성을 검사하고 최종적으로 도출된 시계열 데이터들을 대상으로 평가 모델을 구축하였다. 다음으로 Microsoft Azure Studio의 Neural Network Regression 모델을 활용해 모델의 구조를 식별하고 가치평가를 위한 최적의 모델을 산출하여 선박가치평가를 수행하였다.
다중 공선성이란 변수 간 상관관계가 높아 종속변수를 설명하는데 부정적인 영향을 미치는 것을 의미한다. 변수들의 다중 공선성을 확인하기 위해서는 분산팽창요인(VIF, Variance Inflation Factor) 지표를평가한다. VIF는 상관성으로 인해서 발생하는 분산의 증가를 나타내는 계수로서 10이 넘는다면 일반적으로 다 중공선 성의 문제가 발생한 것으로 확인된다(Lim et al.
준다. 본 논문에서는 L2 Regularization(또는 Ridge) 라고불리는 값을 비용함수에 추가하였다. L2는 제곱을 취하므로 실제 값과 오차가 클 경우, 더욱 큰 L2 Loss가 발생된다.
히든 레이어의 노드 수는 1) 입력 레이어의 노드 수와 출력 레이어의 노드 수 사이의 값 또는 2) 입력 레이어의 노드 수와 출력 레이어의 노드수의 총합의 2/3의 값 또는 3) 입력 레이어의 노드 수의 2배보다 작은 값을 추천한다. 본 연구에서 첫 번째 방법을 사용하였으며 히든 레이어의 노드의 수를 입력 노드 수와 같도록 설정하였다.
본 연구에서는 Neural Network기법의 일반적인 과정에 따라 총 4단계로 연구를 진행하였다. 첫 번째, 선박가치에 영향을 미치는 변수를 설정하고 유의한 데이터를 확보한다.
중요한 매개변수로는 Forest의 크기, 즉 트리의 개수와 최대 허용 깊이이다. 본 연구에서는 트리의 개수를 8, 16개의 두 가지 경우와, 최대 깊이가 32, 64 두 가지 경우의 조합으로 모델을 설계하였다. Resampling으로는 bagging을 적용하였으며 Table 7과 같이 설정하였다.
선박의 가치에 영향을 미치는 주요 변수들을 식별하여 검증과정을 통해 최종적으로 종속변수인 VLCC secondhand Price 변화에 영향을 미치는 변수들을 선정하였다.
식별된 변수들을 대상으로 데이터의 안정성을 확인하고자 다중 공선성 검증을 수행한다. 다중 공선성이란 변수 간 상관관계가 높아 종속변수를 설명하는데 부정적인 영향을 미치는 것을 의미한다.
이를 활용해 선박가치 평가결과의 정확도를 제고하는 모델을 제시하였다. 실증분석을 위한 가치평가 대상은 중고 VLCC 선으로 선행연구와 다중공선성 검증을 통해 확인된 6가지의 독립변수(VLCC Freight, VLCC Supply, VLCC Demolition Price, VLCC Newbuilding Price, VLCC Orderbook/Supply Ration, Libor Rate )를 활용하여 가치평가 및 예측을 수행하였다. 제안된 모델의 정확도를 검증하기 위해서 각 모델이 예측한 값과 실제 선박가치를 비교하였으며, 예측결과에 대해 RMSE로 오차율을 확인하였다.
개발하고자 한다. 이를 위해 본 연구는 선박 가치의 평가대상으로 중고 VLCC선을 선정하여 실증분석을 수행하였다.
따라서 선박의 가치에 영향을 미치는 변수를 선정하기 위해서는 선박의 수요를 책임지는 글로벌 경기 여건과 선박의 공급을 담당하는 조선시장, 그리고 운임시장의 변화 등을 종합적으로 검토할 필요가 있다. 이를 위해 본연구에서는 선행연구에 대한 고찰을 통해 다양한 관점에서 선박 가치에 영향을 미치는 요인들을 도출하였다.
, 2019). 이를 통해 Table 3과 같이 VIF가 10 이상이 되어 데이터의 안정성이 확보되지 않은 Cargo Demand와 Age변수를 본 연구 모델에서 제외하여 최종적으로 6가지 변수를 적용하여 선박 가치를 평가하는 모델을 설계하였다.
선형 위주의 예측 모델의 한계점을 보완하기 위해 Neural Network Regression과 Random Forest 알고리즘을 활용하여 9개의 모델을 생성하였다. 이를 활용해 선박가치 평가결과의 정확도를 제고하는 모델을 제시하였다. 실증분석을 위한 가치평가 대상은 중고 VLCC 선으로 선행연구와 다중공선성 검증을 통해 확인된 6가지의 독립변수(VLCC Freight, VLCC Supply, VLCC Demolition Price, VLCC Newbuilding Price, VLCC Orderbook/Supply Ration, Libor Rate )를 활용하여 가치평가 및 예측을 수행하였다.
총 4단계로 연구를 진행하였다. 첫 번째, 선박가치에 영향을 미치는 변수를 설정하고 유의한 데이터를 확보한다. 둘째, Linear Regression, Neural Network Regression, Random Forest Algorithm을 활용한 모델을 설계한다.
알고리즘을 사용하여 실험을 진행하였다. 총 9개의 모델은 2016년 10월 이후의 VLCC Secondhand Price를 예측하도록 하였다. 또한, 실제값과 예측값의 차이인 Error를 비교하였다.
레이어 2도 히든 레이어 1과 같은 방식으로 히든 레이어 1에서 받은 값과 가중치를 곱해 Sigmoid 활성화 함수를 통해 출력 레이어로 전달한다. 출력 레이어는 히든 레이어2에서 전달받은 값과 실제 VLCC Second-hand Price를 비교한다.
학습된 값과 실제 VLCC Secondhand Price가 같아지도록 역 전파방식을 통해 가중치를 수정한다. 과적합을 막기 위해 조기 종료 기능을 설정하였다.
히든 레이어 층을 각각 1층과 2층으로 구성되도록 설계하였다. Table 6과 같이 히든 레이어의 노드 수와 히든 레이어 층수의 조합으로 총 4개의 Neural Network Regression Model를생성하였다.
대상 데이터
관련 데이터를 확보하였다. 데이터는 영국의 해운 시장리서치 전문기관인 Clarkson Research에서 매월 발간하는 데이터를 기반으로Table 4과 같이 2000년 1월~2020년 8월까지의 248개월간 데이터를 확보하여 분석을 수행하였다.
학습에는 전체 데이터 중 80%를 모델 학습에 사용하였으며 나머지 20%를 테스트용으로 사용하였다. 따라서 전체 248개 데이터 가운데 198개는 학습용으로 사용되고, 50개는 테스트용으로 활용되었다.
또한 공급 측면에서도 선박의 교체수요가 증가하기 위해서는 선박해체 요인이 중요하며, 선박해체 가격과 선박중고선 가격은 밀접한 관계를 형성하고 있다는 연구결과도 나타났다(Thalassinos and Politis, 2014). 이와 같은 문헌 연구를 통해 중복되는 변수를 제외한 8가지 변수를 대상으로 연구 모델을 설계하였다.
데이터처리
총 9개의 모델은 2016년 10월 이후의 VLCC Secondhand Price를 예측하도록 하였다. 또한, 실제값과 예측값의 차이인 Error를 비교하였다.
이 때 Neural Network에서 평균 제곱 오차(MSE)를 비용함수로 사용하였다. 비용함수는 식(2)와 같다.
또한 Linear Regression Model과 Random Forest을 이용하여 선박 가치를 평가하는 교차비교 분석을 통해 두 분석 기법 간의 정확성을 검증하였다. 이를 위해 RMSE(평균제곱근오차) 를 통해 실제 선박가치와의 오차를 비교 검토하였다. 마지막으로 본 연구의 결론과 시사점을 도출하였다.
실증분석을 위한 가치평가 대상은 중고 VLCC 선으로 선행연구와 다중공선성 검증을 통해 확인된 6가지의 독립변수(VLCC Freight, VLCC Supply, VLCC Demolition Price, VLCC Newbuilding Price, VLCC Orderbook/Supply Ration, Libor Rate )를 활용하여 가치평가 및 예측을 수행하였다. 제안된 모델의 정확도를 검증하기 위해서 각 모델이 예측한 값과 실제 선박가치를 비교하였으며, 예측결과에 대해 RMSE로 오차율을 확인하였다.
이론/모형
Ordinary Least Squares(최소제곱법)을 활용하여 실제 해와 근사적으로 구하려는 오차의 제곱의 합이 최소가 되도록 하여 가중치를 결정한다. 이 OLS는 Linear Regression Model뿐만 아니라 Non Linear Regression Model에도 사용될 수 있다.
VLCC Secondhand Price를 추정하기 위해 Linear Regression, Neural Network Regression, Random Forest를 사용하였다. 학습에는 전체 데이터 중 80%를 모델 학습에 사용하였으며 나머지 20%를 테스트용으로 사용하였다.
12는 각 모델의 오차를 의미한다. 가장 낮은 오차를 기록한 모델은 2L6N로서 두 개의 히든 레이어 층과 6개의히든 레이어 노드를 가지는 Neural Network Regression 모델이 기록하였다. 뒤이어 2L12N이 두 번째로 낮은 오차를 기록하였다.
본 연구에서는 VLCC Secondhand Price의 가치를 측정하기 위해 Linear Regression, Neural Network Regression, Random Forest 알고리즘을 사용하여 실험을 진행하였다. 총 9개의 모델은 2016년 10월 이후의 VLCC Secondhand Price를 예측하도록 하였다.
예측하기 위해 수행되었다. 선형 위주의 예측 모델의 한계점을 보완하기 위해 Neural Network Regression과 Random Forest 알고리즘을 활용하여 9개의 모델을 생성하였다. 이를 활용해 선박가치 평가결과의 정확도를 제고하는 모델을 제시하였다.
성능/효과
이는 다른 Neural Network Regression 모델에 비해 층수가 얕고 히든 레이어의 노드 수가 부족하기 때문인 것으로 보인다. 1L6N에서 노드 수만 2 배 증가한 1L12N의 경우 오차가 낮아지는 것을 확인하였다.
뒤이어 2L12N이 두 번째로 낮은 오차를 기록하였다. 같은 수의 히든 레이어 층수라도 히든 레이어의 노드가 증가할 경우, 오차가 증가하는 것을 확인하였다. RF-2와 RF-4 모델이 세 번째로 낮은 오차를 기록하였다.
본 연구의 시사점은 첫째, 기존 정형화된 평가기법에서 벗어나 기계학습기반 모델을 선박가치평가에 적용한 측면에서 독창적인 연구라고 할 수 있다.
분석 결과, 2L6N의 6개의 히든 레이어 노드를 가지는 2 개의 히든 레이어를 가지는 모델의 성능이 가장 좋게 나타났다. 이때 RMSE는 5.
테스트에 사용된 실제 VLCC Secondhand Price의 변화폭이 작음에도(증가 또는 감소) 모델은 값의 변화보다 더 큰 변화 양상을 보였다. 이는 학습에 사용된 2000년부터 2016년 10월까지의 실제 데이터 VLCC Secondhand Price에서 큰 폭으로 증가 또는 감소한 부분이 존재하였으며 이러한 경향도 Neural Network Regression이 학습하였기 때문으로 판단된다.
후속연구
이러한 선박 가치의 중요성에도 불구하고 국내외적으로 선박 가치평가의 체계 개선 및 평가모델의 객관성과 신뢰성을 제고시키기 위한 연구는 부족한 실정이다. 따라서 선박가치의 객관적 평가를 위해 중장기적인 시장변화 요건과 불확실성 등을 평가 요소에 반영할 수 있는 분석방법을 활용한 선박 가치평가모델이 개발된다면 정확하고 투명한 선박가치 평가를 통해 단기 시장 위험성만으로 선박자산을 매각하는 행태를 방지하고, 해운기업의 경쟁력 강화를 견인할 것이다.
따라서 향후 추가적인 선종과 데이터를 확보하여 보다 많은 사례와 새로운 실험환경과 연구방법을 통해 선박 가치평가 추가 연구가 진행될 필요성이 있다.
반면 실증분석 대상이 VLCC선 한 선종에 한정되었다는 점에서 선박가치평가 모델의 일반화를 판단하기에는 한계점을 내포하고 있다. 또한 평가에 사용된 데이터의 샘플 수를 248개 이상을 사용했다면 보다 정교한 학습모델을 개발할 수 있을 것이다. 마지막으로 MS 애저 머신러닝 프로그램의 실험 환경 제약으로 인해 선형회귀 모델에 사용한 L2 Regularization을 뉴럴네트워크 모델에도 동일하게 적용하지 못한 점은 실험결과 비교의 정확도를 높이지 못하는 한계점을 가지고 있다.
또한 평가에 사용된 데이터의 샘플 수를 248개 이상을 사용했다면 보다 정교한 학습모델을 개발할 수 있을 것이다. 마지막으로 MS 애저 머신러닝 프로그램의 실험 환경 제약으로 인해 선형회귀 모델에 사용한 L2 Regularization을 뉴럴네트워크 모델에도 동일하게 적용하지 못한 점은 실험결과 비교의 정확도를 높이지 못하는 한계점을 가지고 있다.
참고문헌 (17)
Adland, R. and S. Koekebakker(2007), Ship Valuation Using Cross-Sectional Sales Data: A Multivariate Non-Parametric Approach, Maritime Economics and Logistics, Vol. 9, No. 2, pp. 105-118.
Bennell, J. A. and C. M. Sutcliffe(2003), Black-Scholes Versus Artificial Neural Networks in Pricing FTSE 100 Options, SSRN Electronic Journal, Vol. 12, No. 4, pp. 243-260.
Choi, J. S., K. H. Lee, and J. S. Nam(2015), A Ship Valuation Model Based on Monte Carlo Simulation, Journal of Korea Port Economic Association, Vol. 31, No. 3, pp. 1-14.
French, N. and L. Gabrielli(2005), Discounted Cash Flow: Accounting for Uncertainty, Working Paper of IUAV Venice University.
Jeff, H.(2008), Introduction to Neural Networks for Java, Heaton Research, p. 129.
Kim, C. Y., D. K. Ryoo, and J. K. Kim(2009), Real Option Analysis on Ship Investment Valuation, Journal of Navigation and Port Research, Vol. 33. No. 7, pp. 469-476.
Lim, S. S., K. H. Lee, H. J. Yang, and H. S. Yun(2019), Panamax Second-hand Vessel Valuation Model, Journal of Navigation and Port Research, Vol. 43, No. 1, pp. 72-78.
Roger, B., F. Valentine, and T. Wee-Hyong(2015), Predictive Analytics with Microsoft Azure Machine Learning Second Edition, Apress, p. 156.
Thalassinos, E. I. and E. D. Politis(2014), Valuation Model for a Second-hand Vessel: Econometric Analysis of the Dry Bulk Sector, Journal of Global Business and Technology, Vol. 10, No. 1, pp. 1-17.
Tsolakis, S. D., C. Cridland, and E. H. Hercules(2003), Econometric Modelling of Second-Hand Ship Price, Maritime Economics and Logistics, Vol. 5, No. 4, pp. 347-377.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.