基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價(jià)格指數(shù)組合預(yù)測

1、 第三組：宏觀經(jīng)濟(jì)增長與發(fā)展 基于bp神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價(jià)格指數(shù)組合預(yù)測 摘要: 本文利用基于bp神經(jīng)網(wǎng)絡(luò)的非線性組合預(yù)測模型對我國36個(gè)大中城市房地產(chǎn)價(jià)格指數(shù)進(jìn)行了預(yù)測，與其他幾類常用的預(yù)測模型相比該模型的預(yù)測精度明顯占優(yōu)，同時(shí)使用該模型預(yù)測出我國2007年第一季度的36個(gè)大中城市房地產(chǎn)價(jià)格指數(shù)為106.1274。關(guān)鍵詞: 房地產(chǎn)價(jià)格指數(shù);bp神經(jīng)網(wǎng)絡(luò);組合預(yù)測中圖分類號(hào): f224.1the real estate price index forecast by using combination forecast based on bp neural network abstract: t

2、his paper makes an prediction of the real estate price index of the major 36 cities of china using a nonlinear combination forecast method which based on bp neural network, the predicting result shows that higher forecast accuracy can be gained using this nonlinear combination forecast model than us

3、ing any other common models. at the same time the real estate price index in the first quarter of 2007 is forecasted using this model, and the result is:106.1274. keywords: real estate price index, bp neural network ,combination forecast1 前言從1998年開始，我國的房地產(chǎn)業(yè)進(jìn)入了發(fā)展的黃金時(shí)期，成為了拉動(dòng)我國經(jīng)濟(jì)快速增長的一大引擎。然而，房地產(chǎn)市場仍然存在著

4、住房供給結(jié)構(gòu)不合理、部分城市房價(jià)上漲過快、中低收入居民住房難以滿足等問題。近年來隨著人民幣升值預(yù)期的實(shí)現(xiàn)和股票市場持續(xù)低迷，房地產(chǎn)市場的投機(jī)現(xiàn)象也愈演愈烈。為抑制房地產(chǎn)投資過快增長,2004年初中央政府采取了“看緊土地，管嚴(yán)信貸”的宏觀調(diào)控政策；2005年根據(jù)房市出現(xiàn)的新情況調(diào)控目標(biāo)由抑制投資的單一目標(biāo)轉(zhuǎn)向了既控制投資增長速度又抑制商品房價(jià)格上漲速度過快的雙重目標(biāo)；2006年5月建設(shè)部、發(fā)改委等九部委聯(lián)合出臺(tái)了關(guān)于調(diào)整住房供應(yīng)結(jié)構(gòu)穩(wěn)定住房價(jià)格的意見的調(diào)控措施。三年來，國家出臺(tái)的房地產(chǎn)宏觀調(diào)控政策的頻率之高、力度之大、手段之多前所未有。大量研究證實(shí)，房地產(chǎn)業(yè)與國民經(jīng)濟(jì)之間存在著緊密的聯(lián)系。王洋通

5、過城市化和工業(yè)化等中間因素，結(jié)合實(shí)際數(shù)據(jù)論證了房地產(chǎn)業(yè)為我國未來經(jīng)濟(jì)增長的引擎;并且房地產(chǎn)業(yè)由于聯(lián)系到資產(chǎn)抵押的貨幣供給而成為經(jīng)濟(jì)波動(dòng)的重要因素1。李聰明利用回歸分析計(jì)算得出我國1987年到2003年間房地產(chǎn)投資增長率與gdp增長率之間的相關(guān)系數(shù)高達(dá)0.752。丁國文測算出1995年至2002年間嘉興市的房地產(chǎn)投資額對gdp增長的拉動(dòng)系數(shù)（貢獻(xiàn)率）達(dá)到了25.1%3?？梢?，通過準(zhǔn)確有效的宏觀調(diào)控政策引導(dǎo)我國房地產(chǎn)業(yè)健康持續(xù)發(fā)展已經(jīng)成為關(guān)系國計(jì)民生的問題，而對反映我國房地產(chǎn)市場運(yùn)行狀況的房地產(chǎn)價(jià)格指數(shù)的準(zhǔn)確預(yù)測能為政策的選擇提供有效技術(shù)支持。目前對房價(jià)指數(shù)的預(yù)測使用的方法主要有：向量自回歸、協(xié)整

6、技術(shù)、arma模型、灰色馬爾可夫模型、趨勢外推法等。房地產(chǎn)市場是一個(gè)復(fù)雜的非線性系統(tǒng)， 魏學(xué)薛，男，1984年出生，河北經(jīng)貿(mào)大學(xué)數(shù)統(tǒng)學(xué)院06級(jí)統(tǒng)計(jì)學(xué)專業(yè)研究生。房地產(chǎn)市場的主要數(shù)據(jù)指標(biāo)涉及許多不確定因素，且各個(gè)因素之間的關(guān)系錯(cuò)綜復(fù)雜，因此常用的分析方法可以預(yù)測房地產(chǎn)市場的大致走勢，但對于非線性因素卻無能為力，且常用分析模型在設(shè)計(jì)過程中帶很強(qiáng)的主觀性和猜測性，這就不可避免的影響了預(yù)測精度。1987年lapeds 和farbe率先利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)預(yù)測的先河。國內(nèi)外已有很多利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的成功案例4-6，但用神經(jīng)網(wǎng)絡(luò)對房地產(chǎn)市場進(jìn)行預(yù)測的研究較少。本文中首次使用基于bp

7、神經(jīng)網(wǎng)絡(luò)的非線性組合預(yù)測方法對我國房價(jià)指數(shù)進(jìn)行預(yù)測，即以常用的幾類預(yù)測方法的預(yù)測結(jié)果作為新的bp神經(jīng)網(wǎng)絡(luò)的輸入、以實(shí)際值作為期望輸出訓(xùn)練合適的網(wǎng)絡(luò)參數(shù)。實(shí)證研究發(fā)現(xiàn)，使用基于bp神經(jīng)網(wǎng)絡(luò)的預(yù)測方法的預(yù)測精度明顯優(yōu)于其他幾種常用的模型，且優(yōu)于單獨(dú)使用某種神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。2 理論簡介人工神經(jīng)網(wǎng)絡(luò)（artificial neural network ）是由大量神經(jīng)元互相連接構(gòu)成的網(wǎng)絡(luò)，是人腦思維系統(tǒng)的一個(gè)簡單模擬，可以模擬基本形式的人腦神經(jīng)元的功能。kolmogorov從理論上已經(jīng)證明，具有一個(gè)隱層（隱層結(jié)點(diǎn)個(gè)數(shù)足夠多）的神經(jīng)網(wǎng)絡(luò)能夠以任意精度表示任何的連續(xù)函數(shù)7，hetch nielsen r

8、等人也已經(jīng)證明神經(jīng)網(wǎng)絡(luò)能任意逼近一大類函數(shù)，且能揭示數(shù)據(jù)樣本中所蘊(yùn)涵的非線性關(guān)系8。bp神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，名字源于網(wǎng)絡(luò)權(quán)值調(diào)整規(guī)則采用的是反向傳播學(xué)習(xí)算法，該算法是rumelhart等人在1986年提出的。bp算法是一種有導(dǎo)師的學(xué)習(xí)算法，使用最優(yōu)梯度下降技術(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)的輸出值與期望輸出值的均方差最少。據(jù)不完全統(tǒng)計(jì)80%左右的神經(jīng)網(wǎng)絡(luò)模型采用的是bp網(wǎng)絡(luò)或其改進(jìn)形式。關(guān)于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、學(xué)習(xí)算法、計(jì)算機(jī)理、信號(hào)傳播方法等理論由于很多學(xué)者都做了詳細(xì)的介紹，這里就不再贅述。雖然bp網(wǎng)絡(luò)在非線性領(lǐng)域表現(xiàn)出了其非線性處理的強(qiáng)大能力，但隨著研究的深入，研究者發(fā)現(xiàn)其尚存在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)困

9、難、訓(xùn)練容易陷入癱瘓、易達(dá)到局部最優(yōu)等缺陷，目前學(xué)者們采用的改進(jìn)辦法主要有：對標(biāo)準(zhǔn)的梯度下降技術(shù)的改進(jìn)、基于標(biāo)準(zhǔn)數(shù)值優(yōu)化的改進(jìn)、選取最優(yōu)權(quán)值的方法等。然而對于神經(jīng)網(wǎng)絡(luò)初始權(quán)值賦值的隨機(jī)性問題的研究較少，本文作者通過大量實(shí)踐發(fā)現(xiàn)合適的初始權(quán)值的選取比網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和隱層結(jié)點(diǎn)的選取更能影響訓(xùn)練的結(jié)果。特別是在比較不同類型的神經(jīng)網(wǎng)絡(luò)的收斂速度時(shí)，使用隨機(jī)選取初始權(quán)值的訓(xùn)練方法就不具有可比性。本文中通過設(shè)計(jì)簡單的循環(huán)程序在大量的隨機(jī)賦值的同類網(wǎng)絡(luò)模型中尋找最優(yōu)的再進(jìn)行比較，這樣既能從一定程度上克服隨機(jī)賦值的影響又簡單易行，具體算法如下：1、訓(xùn)練樣本數(shù)據(jù)p、t和檢驗(yàn)樣本數(shù)據(jù)q、t1輸入；2、數(shù)據(jù)歸一化處理

10、，結(jié)果分別為pn、tn、qn；3、設(shè)定判定參數(shù)c、最大循環(huán)次數(shù)i; 4、使用newff函數(shù)設(shè)計(jì)一個(gè)新的bp神經(jīng)網(wǎng)絡(luò)net；5、用隨機(jī)給定的初試權(quán)值訓(xùn)練網(wǎng)絡(luò)net；6、用訓(xùn)練得的網(wǎng)絡(luò)仿真qn，并將仿真得的數(shù)據(jù)還原為a,通過a和t1計(jì)算得出預(yù)測的絕對百分誤差的和sum(i)；7、如果c sum(i)，則c= sum(i)，同時(shí)使用net1=net保存訓(xùn)練所得的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)；否則返回第3步繼續(xù)循環(huán)直到循環(huán)次數(shù)達(dá)到初始設(shè)計(jì)的最大次數(shù)結(jié)束。3 實(shí)證研究3.1 指標(biāo)的選取和數(shù)據(jù)的預(yù)處理參考大量的相關(guān)文獻(xiàn)之后，本文選取以下初步指標(biāo)：城鎮(zhèn)家庭人均可支配收入（x1）、居民消費(fèi)價(jià)格指數(shù)(x2)、社會(huì)消費(fèi)品零售總額

11、(x3)、gdp(x4),土地交易價(jià)格指數(shù)(x5)、工業(yè)品出廠價(jià)格指數(shù)(x6),銀行間同業(yè)拆借加權(quán)平均利率(x7)、貨幣發(fā)行量m1(x8)、m2(x9)，上證指數(shù)(x10),房地產(chǎn)投資總額(x11)。所有數(shù)據(jù)均為2001-2006年的季度數(shù)據(jù)，數(shù)據(jù)來源為國家統(tǒng)計(jì)年鑒、中國資訊行數(shù)據(jù)庫、中宏數(shù)據(jù)庫、中國房地產(chǎn)信息網(wǎng)。其中訓(xùn)練樣本數(shù)據(jù)為2001年第1季度至2005年第4季度的20個(gè)數(shù)據(jù)，檢驗(yàn)樣本為2006年的4個(gè)季度數(shù)據(jù)，房價(jià)指數(shù)取我國36個(gè)大中城市房地產(chǎn)銷售價(jià)格指數(shù)的平均值（記為p36）。以上選取的初步指標(biāo)與我國36個(gè)大中城市平均房地產(chǎn)銷售價(jià)格指數(shù)之間進(jìn)行g(shù)ranger因果檢驗(yàn)，以便指標(biāo)的篩選。

12、檢驗(yàn)結(jié)果如下表：（選取p值小于0.1的檢驗(yàn)結(jié)果）表1 granger因果檢驗(yàn)結(jié)果原假設(shè)f值p值滯后階數(shù)結(jié)論x2 dose not granger cause p366.755770.006932x2p36p36 dose not granger cause x35.453930.011414p36x3p36 dose not granger cause x43.373440.049344p36x4p36 dose not granger cause x54.373850.022693p36x5x6 dose not granger cause p363.131450.069532x6p36x8

13、 dose not granger cause p363.471870.077171x8p36x9 dose not granger cause p364.392520.022393x9p36p36 dose not granger cause x109.036410.003814p36x10 可見，從經(jīng)濟(jì)涵義上講對我房地產(chǎn)價(jià)格水平解釋性比較強(qiáng)的三個(gè)指標(biāo)：城鎮(zhèn)家庭人均可支配收入、房地產(chǎn)投資總額、同業(yè)拆借利率與p36之間的因果關(guān)系并不顯著，這不排除原始數(shù)據(jù)質(zhì)量的影響，但從一定程度上也反映了我過房地產(chǎn)市場的投機(jī)成分比較重。由以上分析結(jié)果，最終篩選出的8個(gè)指標(biāo)為：x2、x3、x4、x5、x6、x8、

14、x9、x10。 為消除這些指標(biāo)之間的相關(guān)性和簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，我們將這8個(gè)指標(biāo)進(jìn)行主成分分析，結(jié)果取4個(gè)主成分（記為y1、y2、y3、y4），對總信息量的解釋率為83.264%。為了避免訓(xùn)練時(shí)網(wǎng)絡(luò)陷入癱瘓，我們對所得4個(gè)指標(biāo)和期望的結(jié)果進(jìn)行歸一化處理，本文種采用matlab中以下方法進(jìn)行該操作：pn,minp,maxp,tn,mint,maxt=premnmx(p,t)，其中p、t分別為輸入輸出向量。3.2 預(yù)測模型的建立以2001年-2005年的前20個(gè)數(shù)據(jù)為訓(xùn)練樣本依次建立間接預(yù)測神經(jīng)網(wǎng)絡(luò)模型（p1）、直接預(yù)測神經(jīng)網(wǎng)絡(luò)模型(p2)、修整初值灰色模型(p3)9、修正背景值灰色模型(p4)9、

15、多元線性回歸模型(p5)、組合預(yù)測模型(p)。各神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)確定如下：表2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)表網(wǎng)絡(luò)輸入網(wǎng)絡(luò)輸出網(wǎng)絡(luò)層數(shù)結(jié)點(diǎn)數(shù)傳遞函數(shù)、訓(xùn)練函數(shù)循環(huán)次數(shù)p1pn1p363（4，20，1）purelin,tansig,tansigtraingdm100p2pn2p363（4，20，1）purelin,tansig,tansigtraingdm100ppn3p363（5，20，1）purelin,tansig,tansigtraingdm100其中pn1=( y1、y2、y3、y4)、 pn2=（p36(t-1) p36(t-2). p36(t-3) p36(t-4)）、pn3=（p1、p2、p3

16、、p4、p5）。3.3 模型的評價(jià)3.3.1收斂速度的比較在matlab6.1環(huán)境下訓(xùn)練上述三種神經(jīng)網(wǎng)絡(luò)時(shí)，誤差參數(shù)設(shè)計(jì)為：train.param.goal=1e-2.可得間接預(yù)測神經(jīng)網(wǎng)絡(luò)、直接預(yù)測神經(jīng)網(wǎng)絡(luò)、組合預(yù)測模型達(dá)到訓(xùn)練目標(biāo)所需要訓(xùn)練的次數(shù)分別為：140 、164、118?？梢娊M合預(yù)測模型的收斂速度明顯快于其他兩類模型，且其誤差變化曲線相對光滑，出現(xiàn)的振蕩也較少！3.3.2 擬合效果比較在matlab中使用函數(shù)m,b,r= postreg(p,t)對樣本的擬合值p和實(shí)際值t之間進(jìn)行線性回歸，可獲得各模型對樣本數(shù)據(jù)的模擬效果圖（如下所示），該函數(shù)的返回值當(dāng)中，m表示回歸直線的斜率；b表示

17、該直線的截距，r為p與t之間的相關(guān)系數(shù)，可見m與r的值越接近1說明模型模擬的效果越好。 圖1 間接預(yù)測神經(jīng)網(wǎng)絡(luò) 圖2直接預(yù)測神經(jīng)網(wǎng)絡(luò) 圖3修正初值灰色模型 圖4 修正背景只灰色模型 圖5回歸預(yù)測模型 圖6組合預(yù)測模型3.3.3 模擬精度比較對上述六類預(yù)測模型的幾項(xiàng)模擬精度指標(biāo)統(tǒng)計(jì)如下表表3 模擬精度比較表p1p2p3p4p5pmse0.48061.28162.34484.99250.96170.3436mape0.56890.91491.11521.80900.79380.4344m0.870.7730.6810.6730.8690.953r0.970.9110.8250.8230.9320.

18、976其中p1、p2、p3、p4、p5、p依次為上述六類預(yù)測模型的模擬結(jié)果；mse為均方誤差、mape為平均絕對百分誤差。由上表可知，總體上講對樣本數(shù)據(jù)的擬合效果神經(jīng)網(wǎng)絡(luò)模型優(yōu)于回歸分析預(yù)測模型、而后者又優(yōu)于灰色預(yù)測模型。但從各項(xiàng)指標(biāo)上看基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型的擬合效果都比其他幾種模型要好。3.4 對檢驗(yàn)樣本的預(yù)測由表3可知道各預(yù)測模型的平均絕對誤差都在2%以下，可用于預(yù)測。我們將上述訓(xùn)練的組合模型對作為檢驗(yàn)樣本的2006年的4個(gè)季度數(shù)據(jù)進(jìn)行預(yù)測，其預(yù)測精度如下：表4 檢驗(yàn)樣本預(yù)測精度表季度實(shí)際值ape(p1)ap（p2）ape(p3)ape（p4）ape(p5)ape（p）2006011

19、05.50.52690.35533.91563.92571.16260.0861200602105.70.51400.32784.13344.14581.63480.0923200603105.50.14912.27344.73634.75330.99170.3068200604105.31.22551.85045.20445.22170.23870.5329其中ape為絕對百分誤差最后我們將2006年的四個(gè)預(yù)測值與上文中訓(xùn)練樣本的模擬值合并為p，再將p36和p置于同一坐標(biāo)系中得總的預(yù)測效果圖。100102104106108110112200120022003200420052006pp36

20、圖7 總預(yù)測效果圖可見，基于bp神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型無論在訓(xùn)練樣本的擬合還是在檢驗(yàn)樣本的預(yù)測精度上都有優(yōu)良的表現(xiàn)。4 結(jié)論通過使用基于bp神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型對我國房地產(chǎn)銷售價(jià)格指數(shù)的模擬和預(yù)測，可發(fā)現(xiàn)相對于常用的幾種預(yù)測模型而言該模型在復(fù)雜非線性系統(tǒng)的模擬上有明顯的優(yōu)勢，且泛化性能較好，文中實(shí)證分析表明通過設(shè)計(jì)簡單循環(huán)程序能夠有效的解決神經(jīng)網(wǎng)絡(luò)中初始賦值的隨機(jī)性問題；通過對2007年第一季度的房價(jià)指數(shù)的預(yù)測發(fā)現(xiàn)2007年我國房地產(chǎn)價(jià)格在第一季度中有所上漲（2006年平均為105.5），可見我國房地產(chǎn)市場的供求矛盾，即旺盛的市場需求與不合理的住房供應(yīng)結(jié)構(gòu)之間的矛盾還沒有得到根本解決，作者認(rèn)

21、為其原因有：其一、隨著城市化的進(jìn)行，拉動(dòng)我國房價(jià)上漲的基礎(chǔ)性因素（新增城市人口對住房的需求）短期內(nèi)不會(huì)減弱。 其二、這幾年國家調(diào)控房價(jià)的措施以行政手段為主，然而實(shí)踐證明這些措施往往收效甚微，如嚴(yán)格控制土地供應(yīng)的措施反而加速了地價(jià)的上漲；在市場經(jīng)濟(jì)條件下政府應(yīng)該更多的采用經(jīng)濟(jì)和市場手段，增強(qiáng)市場自身的調(diào)節(jié)能力，減少資源配置的扭曲。其三、近年來信貸利率的調(diào)整有利于打擊住房投機(jī)現(xiàn)象，但由于顧慮普通住房消費(fèi)者的壓力，兩年來1.8個(gè)百分點(diǎn)的調(diào)升在房價(jià)翻番上漲的格局下不會(huì)對投機(jī)者構(gòu)成任何阻礙。最后，由于現(xiàn)行的行政政策無法清楚地界定fdi和以投機(jī)為目的的熱錢之間的區(qū)別，限制外資炒樓的政策對勢力雄厚的外資機(jī)構(gòu)

22、影響不大，個(gè)別外資機(jī)構(gòu)2006年以來加速進(jìn)入中國房地產(chǎn)市場，且進(jìn)入方式日益多元化。參考文獻(xiàn):1 王洋. 房地產(chǎn)調(diào)控的宏觀視角-基于與宏觀經(jīng)濟(jì)的關(guān)系的分析j.上海經(jīng)濟(jì)研究,2005,10：3-14.2 李聰明. 我國房地產(chǎn)周期波動(dòng)與宏觀經(jīng)濟(jì)關(guān)系分析j.特區(qū)經(jīng)濟(jì),2005,3：269-270.3 丁國文. 房地產(chǎn)投資對嘉興經(jīng)濟(jì)增長的貢獻(xiàn)研究j.經(jīng)濟(jì)師,2007,3：201-202.4 paras mandal. forecasting several-hours-ahead electricity demand using neural networkj.ieee internati0nal conference on electric unity deregulation ,reconstruction and power technologies,2004,4：515-521.5 han wab-lin. research on mineral r