基于BP神经网络的房地产价格指数组合预测汇总.doc

第三组：宏观经济增长与发展 基于BP神经网络的房地产价格指数组合预测 摘要: 本文利用基于BP神经网络的非线性组合预测模型对我国36个大中城市房地产价格指数进行了预测，与其他几类常用的预测模型相比该模型的预测精度明显占优，同时使用该模型预测出我国2007年第一季度的36个大中城市房地产价格指数为106.1274。 关键词: 房地产价格指数;BP神经网络;组合预测 中图分类号: F224.1 The Real Estate Price Index forecast by using Combination Forecast Based on BP Neural Network Abstract: This 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 using 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 forecast 1 前言 从1998年开始，我国的房地产业进入了发展的黄金时期，成为了拉动我国经济快速增长的一大引擎。然而，房地产市场仍然存在着住房供给结构不合理、部分城市房价上涨过快、中低收入居民住房难以满足等问题。近年来随着人民币升值预期的实现和股票市场持续低迷，房地产市场的投机现象也愈演愈烈。为抑制房地产投资过快增长,2004年初中央政府采取了“看紧土地，管严信贷”的宏观调控政策；2005年根据房市出现的新情况调控目标由抑制投资的单一目标转向了既控制投资增长速度又抑制商品房价格上涨速度过快的双重目标；2006年5月建设部、发改委等九部委联合出台了《关于调整住房供应结构稳定住房价格的意见》的调控措施。三年来，国家出台的房地产宏观调控政策的频率之高、力度之大、手段之多前所未有。 大量研究证实，房地产业与国民经济之间存在着紧密的联系。王洋通过城市化和工业化等中间因素，结合实际数据论证了房地产业为我国未来经济增长的引擎;并且房地产业由于联系到资产抵押的货币供给而成为经济波动的重要因素[1]。李聪明利用回归分析计算得出我国1987年到2003年间房地产投资增长率与GDP增长率之间的相关系数高达0.75[2]。丁国文测算出1995年至2002年间嘉兴市的房地产投资额对GDP增长的拉动系数（贡献率）达到了25.1%[3]。 可见，通过准确有效的宏观调控政策引导我国房地产业健康持续发展已经成为关系国计民生的问题，而对反映我国房地产市场运行状况的房地产价格指数的准确预测能为政策的选择提供有效技术支持。目前对房价指数的预测使用的方法主要有：向量自回归、协整技术、ARMA模型、灰色马尔可夫模型、趋势外推法等。房地产市场是一个复杂的非线性系统，房地产市场的主要数据指标涉及许多不确定因素，且各个因素之间的关系错综复杂，因此常用的分析方法可以预测房地产市场的大致走势，但对于非线性因素却无能为力，且常用分析模型在设计过程中带很强的主观性和猜测性，这就不可避免的影响了预测精度。1987年Lapeds 和Farbe率先利用神经网络进行预测，开创了人工神经网络预测的先河。国内外已有很多利用神经网络进行预测的成功案例[4-6]，但用神经网络对房地产市场进行预测的研究较少。本文中首次使用基于BP神经网络的非线性组合预测方法对我国房价指数进行预测，即以常用的几类预测方法的预测结果作为新的BP神经网络的输入、以实际值作为期望输出训练合适的网络参数。实证研究发现，使用基于BP神经网络的预测方法的预测精度明显优于其他几种常用的模型，且优于单独使用