随着国际贸易的发展,航运业在贸易市场中的地位日益凸显,其中干散货航运市场已经成为最重要的国际航运市场组成部分。干散货运输得益于运输高效、种类多样、成本低的优势成为广受青睐的运输方式,承担了海运贸易40%以上的运输任务。由于干散货航运市场具有季节性、周期性、高波动性和资本密集性的特点,这使得干散货航运市场的波动变化复杂多样。波罗的海干散货运价指数（BDI指数）已经成为了航运市场最重要的指标,它不仅能够反映干散货航运市场的即期行情,同时也反映了国际贸易之间的景气程度。深入分析干散货航运市场,判断BDI指数的未来走势以及其他影响因素对BDI指数的影响作用,对准确把控干散货航运市场行情具有重要的指导意义。本文以2013年5月1日至2020年10月31日的BDI指数为研究对象,首先系统分析了BDI指数的影响因素,选择了金属市场价格、农产品市场价格、干散货船舶价格、能源市场价格以及经济环境等多个方面的指标,全面刻画BDI指数的影响因素集合。其次,通过XGBoost模型挖掘各影响因素与BDI指数之间的相关性以及重要性程度,以2013年5月1日-2019年5月3日的数据作为训练集,以2019年5月3日-2020年10月30日的数据作为测试集,对BDI指数进行预测研究。然后,通过EMD分解算法将BDI指数按照频率划分为不同的IMF分量,将分量重构为BDI指数的高频部分、低频部分以及趋势项,并基于EMD—XGBoost模型重新对BDI指数进行预测。最后,通过支持向量机、多层感知机、随机森林等其他机器学习模型进行对比分析,发现XGBoost模型预测BDI指数的可决系数为81%,均方根误差为121.27,相比其他机器学习模型预测效果更为突出,经过EMD算法分解重构后的EMD—XGBoost模型预测的可决系数达到了87%,均方根误差为86.24,其他经过EMD算法分解重构后的机器学习模型效果也都有不同程度的提升。本文的实证结果表明:（1）不同市场的价格指数均会对BDI指数产生影响,其中重要性程度较高的指数有WTI原油价格指数、62%品位铁矿石价格以及动力煤价格指数等。（2）XGBoost模型预测BDI指数时能够更好地捕捉数据特征,相比其他机器学习模型拟合效果更好,预测误差更小。（3）BDI指数经过EMD分解重构后的不同部分更为平稳、波动性较低,能够进一步提高XGBoost及其他机器学习模型的预测精度。这说明经过EMD算法分解重构后XGBoost模型以及其他机器学习模型在预测BDI指数方面能够取得更好的效果。