基于BP神经网络自贡房地产价格走势预测

文章通过分析调查影响自贡房地产市场的主要因素,基于BP神经网络,结合自贡住宅市场的实际情况,建立两类BP神经网络预测模型:基于时间序列的趋势预测模型、基于影响因素的回归预测模型,预测了自贡房地产市场价格走势。模拟预测2010年的结果证明了2011年房价预测的有效性,可为自贡城市建设的可持续发展提供有价值的指导意见。     

基于灰度模型的商品住宅价格分析与预测研究——以安徽合肥市为例

房地产行业快速发展的同时也存在房价上涨过快等问题,房价上涨因素以及未来发展趋势已经成为社会各界关注的焦点。为了深入了解复杂多变的房地产市场,将灰度模型用于房价预测研究,以合肥市为例分析房价的主要影响因素,建立住宅异质性影响因素与住宅价格之间的线性关系模型。通过灰度模型来模拟商品房在2011—2017年的房价,并且预测2019年以后的住宅价格及发展规律,研究结果表明住宅价格上涨和下跌都在合理范围之内,商品住宅价格在未来几年内将持续稳步增长。     

基于时间序列的南昌房地产价格指数模型研究

鉴于房地产全国价格指数与实际城市房地产价格相差较大,本文基于自回归积分移动平均模型理论,构造了南昌市1998～2011年共55个季度房地产价格指数数据的理论模型ARIMA(3,2,0),经Box-Pierce检验表明该模型具有95%的概率合理性,为预测南昌市未来房地产价格指数提供参考.     

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.     

基于GM(1,1)理论的昆明市房地产价格预测

房地产价格是房地产市场最重要和最直接的反映,而房地产价格受诸多因素的影响,使得房价与影响其变化的经济变量之间的定量关系无法用精确的数学表达式来描述.以昆明市作为研究对象,建立GM(1,1)模型,采用理论与实证相结合的方法进行研究,以历史价格数据预测未来价格,并检查其精度,为昆明市房地产投资决策管理提供一定的科学性借鉴.     

前5月北京技术市场交易额增长强劲

本刊讯记者从日前召开的“2011年北京技术市场发展形势通报会”上获悉，2011年1—5月，北京技术交易高成长性向好趋势不变。成交技术合同18326项，同比增长18．0％,成交额970．8亿元，增长42．0％。     

基于广义回归神经网络的沈阳房地产市场研究

通过广义回归神经网络对沈阳市房地产市场2003年至2009年相关数据进行训练,采用逼近性最好的光滑因子01,对2010年和2011年的数据进行预测,并与真实数据进行对比,得出沈阳市房地产开发投资额、商品房均价及空置面积均在高位运行.由此判断出沈阳市房地产市场仍处于繁荣期,但属于后期阶段,有出现房地产泡沫的可能,政府、房地产开发商、购房者应给予足够关注.     

基于数据挖掘的房地产价格预测

根据房地产价格的非线性变化特点,提出一种基于数据挖掘技术的房地产价格预测模型.首先收集房地产价格的历史样本,对其进行混沌分析后得到相应的训练样本集和验证样本集,然后采用数据挖掘技术对训练样本建模,并对验证样本进行预测.仿真实验结果表明,数据挖掘技术可以从房地产价格历史数据中发现其变化趋势,获得了较高的房地产价格预测精度,与其他经典房地产价格预测模型相比,数据挖掘可以更好地描述房地产价格的变化特点,预测精度能够满足人们对房地产价格预测的要求.     

基于神经网络BP算法的市场预测研究

提出了一种利用神经网络BP算法模型于发现和预测商业市场价格变化趋势的模型。文章着重论述了这一模型的设计思想和实现技术，并选择重庆房地产市场为实验研究对象，给出了用所述方法进行房地产价格预测的实验结果。     

水价持续上涨对京城居民心理承受力的影响

北京市居民用自来水价格在 1990～ 2 0 0 4年的 14年内上调了 9次 ,从 0 12元 /m3上涨到 3 7元 /m3,居民水费年支出增长率为 35 % .长期习惯于低水价的京城居民面对持续上涨的自来水价格 ,其经济上和心理上的承受能力又如何 ?本文基于大量的统计数据 ,通过分析心理承受能力的影响因素后表明 :目前水价尚在人们可承受的心理范围之内 ,但随着水价的继续上涨 ,低收入群体所承受的心理压力会明显高于高收入群体 ,心理承受能力也将随之降低 .     

基于多小波的北京市房屋市场价格的分析预测

针对房价波动大的数据特征,将多小波分析与房价预测问题结合,以北京市2010—2018年的房屋数据作为研究对象,探究了利用Haar小波变换、Daubechies系列小波变换以及基于过采样预处理的GHM多小波变换和CL多小波变换处理房价数据的分解重构效果,并通过对高频系数进行门限阈值量化重构处理以达到去噪的目的;建立支持向量机（SVM）预测模型,通过探究4种小波处理方法对房屋价格预测的影响结果,给出了相应预测效果更佳的数据处理方法和选择依据。     

论建立具有稳定预期机制和渠道的人民币汇率制度

根据我国汇率制度改革的渐进性原则和房地产价格与汇率的基本关系，分析了房地产市场尤其是房价受到汇率改革的预期时点、汇率预期上升幅度等因素的影响，提出了加快建设具有稳定预期机制和渠道的人民币汇率制度的对策和建议。     

论稳定住房市场价格的着力点

我国住房价格不断上涨,宏观调控效果不甚理想,这是多种因素交织的结果。为稳定住房市场价格,实现住房市场的健康可持续发展,必须着力增加供给、改善供给结构,抑制不合理需求,促进供求的基本平衡;致力培育住房二级市场和租赁市场,推进各类市场的协调发展;努力健全住房保障体系,解决低收入家庭的住房问题。     

北京地铁八通线对沿线住宅价值影响分析

在定性分析北京地铁八通线对沿线住宅价值影响的基础上,以八通线沿线2003年开盘的40个住宅楼盘作为样本,采用特征价格法,以楼盘均价为因变量,以楼盘到最近地铁车站距离、楼盘到CBD距离、楼盘类型、装修程度和是否现房等属性作为自变量,选用半对数模型,进行了回归分析计算.计算结果表明,北京地铁八通线对沿线2 km范围内住宅平均每建筑平方米增值179.3元,增值百分比为4.43%,40个样本楼盘的总增值约为15.52亿元,增值计算结果与经验估算值基本相符.通过与地铁13号线沿线住宅增值定量计算结果及影响特征的比较,明确了地铁八通线对沿线住宅价值影响的规律和趋势.     

我国商品住宅价格灰色预测

商品住宅价格受多种因素影响，既有宏观因素。又有微观因素；既有确定性因素又有不确定性因素。文中运用灰色理论原理，把我国商品住宅价格看作一个灰色系统，以全国商品住宅价格为原生时间数据系列，建立灰色GM（1，1）预测模型，对我国商品住宅价格未来走势进行预测。对所建模型进行残差检验，关联度检验，均方差检验及小误差概率检验。精度均为一级，因此。可以运用所建模型对我国商品住宅价格进行预测。从模型预测的结果看，我国商品住宅价格在未来呈上升趋势。     

市场经济条件下发展住宅业的探讨

在社会主义市场经济条件下，根据我国目前的经济发展水平、土地状况和住房情况，就如何发展住宅业，改善居民居住条件，实现小康居住目标所涉及的几个问题进行论述，强调了房价是制约商品住宅走向市场的关键，并提出了解决问题的基本做法．     

2011年房地产市场形势分析及2012年展望

2011年是房地产市场最不平凡的一年。从年初开始,中央政府连续出台一系列调控政策,加大对房地产市场的调控力度。在调控措施的作用下,投机性需求基本得到抑制,市场交易量明显下降,保障房建设速度加快,市场供求关系进一步改善。年末,房地产市场呈现量跌价滞的趋势,部分上涨过快的城市和区域,房价开始下跌,房地产调控取得了显著成果。2012年要继续巩固调控成果,推进房地产市场进一步调整,建立房地产市场平稳健康发展的长效机制。     

当前我国居民商品房购买能力研究——以北京、上海、广州和深圳为例

以北京、上海、广州和深圳的商品房数据信息为基础,对我国居民家庭收入与商品房价格的关系进行了实证研究,分析了制约我国居民商品房购买力的因素,提出了提升我国居民商品房购买力的若干对策。     

人民币汇率市场联动特征分析

融合Copula理论和GARCH有偏T模型,构建了汇率波动的t-Copula-DCC-GARCH-skewT模型,对中、美、欧3大经济体货币汇率USD-CNY和EUR-USD进行实证研究.该模型能够捕捉到人民币汇率之间的动态相关性.相关曲线展现了3大经济体在汇率制度上的阶段性联动特征,表明中、美、欧等经济体货币汇率联动性有利于人民币国际化的汇率制度建设以及世界经济的共同治理和系统性风险防范.