基于时间序列与人工神经网络的房地产周期识别

房地产市场的发展存在明显的周期特性,对房地产周期进行识别有助于政府及其他市场参与者进行科学决策。利用时间序列分析对1992—2003年的北京房地产市场周期发展阶段进行判别研究,并将该判别结果作为训练样本,利用局部改进的标准BP人工神经网络构建了房地产周期识别模型。识别研究表明:2004年北京房地产市场处于收缩阶段,国家宏观政策对房地产市场的理性发展起到了积极的作用。     

基于动态计量经济学模型的房地产周期研究

为正确判断房地产发展趋势,以动态计量经济学模型为基础,科学地识别并预测房地产市场周期。采用北京1989—2004年的时间序列数据,将先验经济理论与数据统计分析结合,建立自回归分布滞后的ARM AX模型。对变量进行单整ADF检验和多重协整JJ检验,求出误差修正序列。用包含误差修正项的模型来预测市场周期,弥补中国房地产市场广泛存在的非理性因素影响和统计数据的缺陷。研究表明:北京房地产市场的周期约为4~5 a;2005年的房地产市场正处于扩展阶段;2006年北京房地产市场仍将呈现稳步上升的态势。     

基于主成分分析与谱分析的房地产市场周期研究

为研究北京房地产市场周期选用1992-2005年的统计数据,采用主成分分析与谱分析结合的方法.在建立房地产市场供给类和需求类指标体系的基础上,通过因子分析提取主成分,进而确定两类合成指标;利用谱密度函数来分析合成指标的各主要频率分量,根据谱峰值对合成指标分别进行周期识别.结果表明:北京市房地产市场存在为期近3年的周期,且供求关系基本均衡;但从长期来看,供给方面还存在为期7年的次周期,需求则发展平稳,即北京房地产价格存在长期上涨趋势.     

辽宁省房地产市场周期波动谱分析及实证研究

采用2000~2013年辽宁省房地产市场相关统计数据,应用主成分分析法和谱分析方法,识别辽宁省房地产市场的供给周期和需求周期.同时,结合该省对应时期的调控政策,分析各政策对区域房地产市场周期波动的影响机制.结果表明,房地产市场供给周期为2.7a,而需求周期为2a.供给周期略长于需求周期,市场供需不平衡,市场供给对政策的实现慢于市场需求.     

基于市场的武汉市房地产波动研究

综合武汉市房地产市场的各种指标并结合国内的各种指标,通过武汉房地产市场2003年至2007年间的9个指标来建立武汉市房地产波动指标模型.然后,用主成分分析法合成武汉市房地产周期波动综合指数,从市场角度对其周期波动特征进行分析.最后得出结论,武汉市房地产市场受国家宏观经济政策影响很大,目前处于可控阶段,且从长期来看,仍具有上涨趋势.     

基于小波分析的北京市住宅市场景气循环周期

该文以北京市房地产市场为背景,利用1999—2014年的宏观数据,针对北京市住宅市场的景气循环周期进行识别和分析。在梳理现有研究的指标选取和模型拟合的基础上,使用客观赋权的主成分分析对景气循环等指标进行提取,将核心指标进行数据扩展合成为周期分析的指标;通过多层次离散小波分解去除趋势和噪声,利用重构的周期性信号表征平均周期与波动趋势,进行长周期与短周期的定量分析。实证结果显示:北京市房地产市场波动的短周期平均约3.75a,中长周期周期约为9a。预测结果表明:总体上2014年房地产市场逐步进入萧条期,需要引起投资者、金融机构和政府重视。     

房地产市场探究

我国房地产业的快速发展近年引起社会各界的高度关注。但是房价的过快增长,以及由此而引起的各种经济问题不断。房地产市场为什么会形成?房地产市场现今处于哪个阶段?本文试图从改革开放以来房地产市场的建立,以及武汉房地产市场的现状,运用模糊识别理论来判断武汉房地产市场所处的阶段。     

关于我国房地产市场周期的实证分析及政策建议

文章提出了房地产市场周期的理论,并对我国１９８７年～１９９８年房地产市场周期进行了实证研究,在此基础上分析其影响因素,并给出相应的政策建议。     

基于模糊模式识别法的房地产市场阶段研究

运用模糊模式识别法,利用2001—2005年的相关数据,分析中国房地产市场的发展状况.结果表明:我国房地产市场在2002年、2003年处于升温阶段,2004年处于微热阶段,2005年再次处于升温阶段.国家需要采取必要的宏观调控政策,防止房地产市场进入过热阶段.     

基于综合模拟法的重庆市房地产市场风险评估研究

房地产市场作为重要的消费市场和投资市场,其市场风险的大小一直备受关注。本文结合重庆市2002—2011连续十年的相关数据,采用综合模拟法对2002—2011年的重庆房地产市场风险进行了综合评估。结果表明,重庆市房地产市场总体呈现平稳态势,局部出现较小幅度的波动。受经济发展周期与宏观政策的影响,重庆房地产市场在2005年相对偏冷,2010年相对偏热。     

基于逐步回归法的住房需求模型

房地产需求是房地产市场运行的的基础,也是房地产价格的基本决定因素.房地产需求实际上是反映消费者和投资者的选择行为和决策过程.结合国内外一些住房需求总量的定性计算方法,选取北京市1991-2009年统计数据并利用spss处理数据,采用逐步回归的方法建立了北京市房产需求量的数学模型.     

房地产市场分析预测中的数据挖掘技术应用研究

数据挖掘是目前进行房地产市场分析和预测的新技术,本文从数据挖掘的概念、常用方法入手,探讨了其在房地产市场分析中的各种应用,分析了在房地产应用中的数据挖掘流程,并以南京市房地产市场为例,运用数据挖掘技术中的神经网络方法对房地产市场进行了模拟,研究了运用神经网络对房地产市场进行分析和预测的过程和方法,并得出了可靠的结论。文章最后对数据挖掘在房地产领域的应用面临的问题做了分析和展望。     

西安市房地产预警系统研究

采用主成分分析、BP神经网络等现代数学方法,构建西安市房地产预警系统,并通过单指标和综合指标来预测房地产市场的运行轨迹,以揭示西安市房地产的运行状况。     

基于个人投资视角反观房地产市场的宏观调控

对我国房地产市场进行实证分析,发现该市场具有分形特征以及房价与租金存在线性关系.在此前提下,应用实物期权理论对投资收益进行预估,建立个人房地产投资租转售决策分析模型.运用停时与数值模拟等方法求解,得到投资者执行租转售决策时的房价可行区间.继而定性分析房地产市场基本要素对房价可行区间产生的影响,得出了相关结论.最后利用模型结论对北京二手住宅房地产市场进行阶段性研究,反向剖析近年来政府对房地产市场所做的系列宏观调控政策.     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于ART神经网络的房地产物业市场的聚类分析

房地产物业市场的准确分类是房地产开发决策和控制风险的前提和基础．针对传统的以回归分析、模糊聚类为主的方法存在建模困难、计算繁琐、适应性弱等缺点，提出了基于ART神经网络的房地产物业分类方法．该方法避免了繁琐的建模过程，简化了分类计算，同时由于其无监督学习的特性，使其具有很强的适应能力．同时本文还以杭州市房地产市场为例，论证了方法的合理性和可行性，并探讨了其实际应用的潜力和措施．     

跳-扩散模型下一类房产期权模型及计算分析

假设房产价格服从跳-扩散模型,研究分期付款看涨房产期权的定价问题.以北京西奥中心写字楼以租代售的实例为背景,在Black-Scholes框架下建立了实物期权定价的偏微分方程模型,推导出相应的二叉树格式离散模型,并进行数值模拟和参数分析,结果表明该模型较扩散模型更接近实际市场.