论文部分内容阅读
中国近30年来,房地产业经历了几次重要变革,并因为其涉及领域广泛以及与其他行业密不可分的关系,已渐渐成为国民经济增长的重要支柱。住宅由于其较高的收入需求弹性以及增值潜力成为了现阶段的消费热点。政府根据国内宏观环境的变化推行相关的政策,刺激消费和投资,这在一定程度上影响房地产价格,同时政府也需要依据房地产市场价格的波动情况提前预测未来的走势并实施相关政策。本文应用国际上已经成熟的经验分解模态(Empirical Method Decomposition,EMD)与支持向量机(Support Vector Machine,AVM)结合的方法进行房地产价格市场的重大影响因素与短期预测分析。EMD方法是一种自适应时间序列信号时频分析方法,能够根据数据本身的时间尺度特征,逐级分解提取具有不同特征尺度的本征模态函数(Intrinsic Mode Function,IMF),反映原始时间序列的物理特性。目前,国内外学者已经开始将EMD方法应用于经济学预测方面。Shouyang Wang(2008)等提出基于EMD方法的神经网络集合学习范型的模型对原油价格实行预测。结论发现基于EMD的神经网络集合模型比简单的ARIMA模型更有优势,预测精度更高。当下,基于大数据基础的机器学习技术是现代人工智能领域中发展的重要方向,研究从数据本身出发寻找本质规律,并利用这些规律对未来的数据或无法观测的数据进行预测。实际观测的时间序列往往不是样本数本量趋于无穷大的,存在样本数目少、非线性等问题。VVapnik和CorinnaCortes(1995)等提出了建立在统计学习理论基础之上的支持向量机理论(Support Vector Machine,SVM),它在很大程度上解决了传统方法中存在的问题。支持向量回归(Support Vector Regression,SVR)模型是支持向量机理论(Support Vector Machine,SVM)在回归问题上的应用。支持向量回归(SVR)利用机器学习对未来的数据进行预测,而机器的学习成果即最优参数的确定是通过对样本集进行无数次训练得到的。因此,算法选择直接决定机器学习预测未来的效果。目前在智能算法的领域中,遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)是应用的较为广泛的算法。EMD-SVR-SVR模型是张珣(2008)年在对国际原油价格的预测上首次提出的一种多尺度预测模型,并从理论上得出,多尺度分解模型的预测效果优于单尺度模型。本文在张珣既定模型的基础上,首次提出将PSO算法引入EMD-SVR-SVR模型并应用于我国房地产市场,以深圳商品住宅价格为例。同时采用EMD分解重构后的序列与未重构的各个分量序列的SVR集成预测效果进行对比研究。以下是本文的主要内容:(1)对深圳商品住宅价格原序列进行EMD分解并对过度分解的模态进行合成,得到具有真正经济学意义的三部分序列。结论表明,高频序列的波动与短期政府调控政策密切相关,其中货币供应量(M2)与房地产价格的相关性最高;低频序列与金融危机带来的重大影响吻合,周期为6～7年;趋势项具有房地产市场中长期均衡价格的特征,代表由供需关系决定的房地产市场价格。(2)在参数寻优的算法选择上,首次引入优化后的遗传算法—粒子群算法基于EMD-SVR-SVR模型应用于房地产市场价格预测,同时对EMD分解重构后的三部分序列与未重构的各个分量序列的SVR集成预测效果进行对比研究。首先,横向比较分析重构前分量与重构后分量的预测效果。然后,纵向比较分析在同一分量之间各个算法的预测效果。结果显示:横向比较方面,重构后的三部分序列的集成预测效果显著优于重构前各分量序列,使得均方误差减小了一半,拟合优度提升到了 0.97;纵向比较方面,在对同一分量的预测上PSO算法比GS和GA算法更稳定,更具有普适性。最后,整体分析PSO算法和另外两种算法重构前后的预测效果。PSO重构后序列预测效果最佳,MSE值降低到563.0599,MAPE 缩小为 0.0079。