基于回歸模型與BP神經(jīng)網(wǎng)絡(luò)的我國(guó)房?jī)r(jià)與泡沫預(yù)測(cè)

【摘要】對(duì)于我國(guó)房地產(chǎn)市場(chǎng)日益火熱的現(xiàn)象以及潛在的泡沫威脅，建立了一種新的預(yù)測(cè)分析模型。將回歸模型與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，將時(shí)間序列分解為長(zhǎng)期趨勢(shì)與殘差，分別進(jìn)行預(yù)測(cè)。選取了我國(guó)2002年1月至2017年9月的平均房?jī)r(jià)以及主要影響因素作為實(shí)驗(yàn)數(shù)據(jù)，對(duì)房?jī)r(jià)進(jìn)行預(yù)測(cè)，并對(duì)泡沫進(jìn)行量化研究。研究結(jié)論給出了房地產(chǎn)價(jià)格與泡沫的發(fā)展趨勢(shì)，并提出了監(jiān)測(cè)與抑制泡沫的有效手段。對(duì)我國(guó)房地產(chǎn)市場(chǎng)健康穩(wěn)定發(fā)展具有一定意義。

【關(guān)鍵詞】房?jī)r(jià)；房地產(chǎn)泡沫；多元線性回歸；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)分析

引言

房地產(chǎn)泡沫現(xiàn)象主要指的是土地價(jià)格和房產(chǎn)價(jià)格上升到極端的高位，與房產(chǎn)的使用價(jià)值不符。近年來(lái)，房?jī)r(jià)不斷上漲。國(guó)家為控制房?jī)r(jià)，先后在2010年與2015年出臺(tái)了限購(gòu)令與“去庫(kù)存”政策，然而并未取得很好的效果。在三四線城市供遠(yuǎn)大于需，在一二線城市市場(chǎng)火爆一房難求。在此背景下，房地產(chǎn)市場(chǎng)可能形成泡沫，存在較高的金融風(fēng)險(xiǎn)。[1][2]因此，對(duì)房?jī)r(jià)的發(fā)展趨勢(shì)與房地產(chǎn)泡沫的評(píng)估具有重要的現(xiàn)實(shí)意義。

以往學(xué)者如張玉雙[3]、駱永民[4]等對(duì)房?jī)r(jià)泡沫的預(yù)測(cè)研究通常使用回歸模型或者時(shí)間序列模型。基于所獲得的經(jīng)濟(jì)數(shù)據(jù)，所建模型一般會(huì)存在異方差、自相關(guān)等違反經(jīng)典假設(shè)的問(wèn)題。且大多數(shù)情況下使用普通手段難以消除。針對(duì)此問(wèn)題，本文提出一種新方法，即將原始時(shí)間序列數(shù)據(jù)進(jìn)行分解，綜合采用多元回歸模型與BP神經(jīng)網(wǎng)絡(luò)算法分別對(duì)趨勢(shì)和殘差序列進(jìn)行預(yù)測(cè)。從而彌補(bǔ)了傳統(tǒng)回歸模型過(guò)于依賴(lài)經(jīng)典假設(shè)的缺點(diǎn)。

1、數(shù)據(jù)收集與處理

本文根據(jù)數(shù)據(jù)的可獲得性與連續(xù)性，選取了房地產(chǎn)投資額累計(jì)同比增速/GDP累計(jì)同比增速（X1）、房地產(chǎn)銷(xiāo)售總額/GDP（X2）、房地產(chǎn)開(kāi)發(fā)貸款/房地產(chǎn)開(kāi)發(fā)資金（X3）、房?jī)r(jià)上漲率（X4）與房?jī)r(jià)收入比（X5）這五個(gè)宏觀經(jīng)濟(jì)指標(biāo)作為影響房?jī)r(jià)與泡沫的因素，并以全國(guó)平均房?jī)r(jià)為因變量（Y），如圖1所示。

本文選取2002年1月至2017年9月總共189個(gè)月的月度數(shù)據(jù)作為分析樣本。數(shù)據(jù)來(lái)源為中經(jīng)網(wǎng)數(shù)據(jù)庫(kù)。由于部分?jǐn)?shù)據(jù)不以月度為統(tǒng)計(jì)節(jié)點(diǎn)，例如GDP數(shù)據(jù)以季度為統(tǒng)計(jì)節(jié)點(diǎn)，故本文采用二次匹配平均法（Quadratic Match Average）進(jìn)行處理，將其轉(zhuǎn)化為月度數(shù)據(jù)。同時(shí)提高分析與預(yù)測(cè)的精度。對(duì)于指標(biāo)缺失數(shù)據(jù)，取上下期平均作為該期數(shù)據(jù)。

2、預(yù)測(cè)模型

類(lèi)似殘差自回歸模型的思想，對(duì)各指標(biāo)時(shí)間序列數(shù)據(jù)進(jìn)行分解：

即分解為長(zhǎng)期趨勢(shì) 與殘差序列 的疊加。采用回歸模型擬合長(zhǎng)期趨勢(shì) ；對(duì)于殘差序列 ，對(duì)其進(jìn)行檢驗(yàn)，若 為非白噪聲序列，則說(shuō)明可以從中進(jìn)一步提取信息，采用BP神經(jīng)網(wǎng)絡(luò)對(duì) 進(jìn)行擬合與預(yù)測(cè)。最終的擬合預(yù)測(cè)結(jié)果由兩部分相加得到。

2.1 趨勢(shì)擬合模型

在189個(gè)月的數(shù)據(jù)中抽取大概前65%的樣本作為訓(xùn)練測(cè)試樣本，即2002年1月至2013年12月的數(shù)據(jù)作為訓(xùn)練測(cè)試樣本。2014年1月至2017年9月的樣本作為預(yù)測(cè)對(duì)照樣本。采用多元線性回歸模型擬合訓(xùn)練測(cè)試樣本。利用Eviews 8.0進(jìn)行回歸操作，得到模型為：

利用該模型對(duì)預(yù)測(cè)對(duì)照樣本進(jìn)行預(yù)測(cè)。可得2014年1月至2017年9月房?jī)r(jià)的趨勢(shì)預(yù)測(cè)值。

2.2 殘差序列擬合模型

由多元線性回歸模型的擬合結(jié)果可得訓(xùn)練測(cè)試樣本的殘差序列。將殘差序列作為因變量，序列 作為自變量，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合。

2.2.1 BP神經(jīng)網(wǎng)絡(luò)算法原理

BP神經(jīng)網(wǎng)絡(luò)算法的基本思想為輸入信號(hào)的正向傳播與誤差的反向傳播。正向傳播過(guò)程中，輸入樣本由輸入層進(jìn)入，經(jīng)隱含層處理，由輸出層輸出。隱含層的各個(gè)神經(jīng)元包含一個(gè)激活函數(shù)，通常使用Sigmoid函數(shù)或雙曲正切函數(shù)作為激活函數(shù)。計(jì)算輸出層的誤差，即實(shí)際輸出與期望輸出的偏差，若偏差過(guò)大，不符合要求，則進(jìn)行誤差的反向傳播。在誤差反向傳播過(guò)程中，可以計(jì)算出各隱含層造成的誤差，并由梯度下降法等方法進(jìn)行權(quán)值修正。經(jīng)過(guò)多次迭代，可以將誤差減少到足夠小，從而完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。[5]

以只含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)為例為例，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

BP神經(jīng)網(wǎng)絡(luò)算法的步驟為：[6][7]

Step 1.以隨機(jī)數(shù)初始化權(quán)值

Step 2. 輸入學(xué)習(xí)樣本；

Step 3. 依次計(jì)算各層的輸出

Step 4. 求各層的反向傳播誤差：

Step 5. 用梯度下降法等方法修正各層的權(quán)值和閾值；

Step 6. 計(jì)算新一輪輸出與誤差，若達(dá)到指定精度或達(dá)到最大學(xué)習(xí)次數(shù)，則終止學(xué)習(xí)。否則轉(zhuǎn)到第二步繼續(xù)新一輪的學(xué)習(xí)。

算法流程圖如圖3所示：

2.2.2 模型建立

同趨勢(shì)擬合模型，選取2002年1月至2013年12月的數(shù)據(jù)作為訓(xùn)練測(cè)試樣本。使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。

本文采用MATLAB R2015b作為軟件平臺(tái)，進(jìn)行BP網(wǎng)絡(luò)的訓(xùn)練與測(cè)試。BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練之前，需要進(jìn)行參數(shù)預(yù)設(shè)定。選擇合適的參數(shù)能使BP神經(jīng)網(wǎng)絡(luò)的性能得到最大的發(fā)揮。本文采取反復(fù)試驗(yàn)的方法，根據(jù)訓(xùn)練結(jié)果不斷調(diào)整參數(shù)以達(dá)到最優(yōu)效果。最終參數(shù)設(shè)定為：隱含層為2層，隱含層節(jié)點(diǎn)數(shù)分別為10、11個(gè)，各層激活函數(shù)均為雙曲正切函數(shù)。采用動(dòng)量梯度下降法進(jìn)行訓(xùn)練。設(shè)置最大訓(xùn)練次數(shù)為1000，學(xué)習(xí)率為0.1，目標(biāo)精度為 。其中，訓(xùn)練樣本占2002年1月至2013年12月樣本的70%，測(cè)試樣本占30%，均為隨機(jī)選取。

3、結(jié)果分析

使用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)2014年1月至2017年9月的預(yù)測(cè)對(duì)照樣本進(jìn)行預(yù)測(cè)分析。將各因素輸入模型，輸出預(yù)測(cè)殘差序列，并由公式

同時(shí)，綜合考慮回歸模型對(duì)長(zhǎng)期趨勢(shì)的預(yù)測(cè)與BP神經(jīng)網(wǎng)絡(luò)對(duì)殘差的預(yù)測(cè)，還可以獲得各個(gè)影響因素的貢獻(xiàn)率，由此可得到各因素的重要性，如表2所示。

綜上所述，得出以下分析結(jié)論與政策建議：

2017年全年的房?jī)r(jià)泡沫率均在30%左右波動(dòng)，且呈上升趨勢(shì)。同時(shí)結(jié)合2014年1月至2017年9月的泡沫率變化可知，自2017年1月以來(lái)，我國(guó)房地產(chǎn)市場(chǎng)泡沫率有顯著下降，但仍在緩慢增長(zhǎng)。政府需要采取措施遏制房地產(chǎn)市場(chǎng)泡沫。

由重要性分析可知，因素X3（即房地產(chǎn)開(kāi)發(fā)貸款/房地產(chǎn)開(kāi)發(fā)資金）占據(jù)第一位，房地產(chǎn)開(kāi)發(fā)貸款對(duì)房?jī)r(jià)以及泡沫的影響最大。其他四個(gè)因素也產(chǎn)生了一定的影響。所以政府部門(mén)尤其要加強(qiáng)對(duì)房地產(chǎn)開(kāi)發(fā)貸款的監(jiān)管程度，從而控制泡沫增長(zhǎng)。

結(jié)論：

本文針對(duì)傳統(tǒng)回歸模型過(guò)于依賴(lài)經(jīng)典假設(shè)的問(wèn)題，提出了一種新的預(yù)測(cè)分析模型，即把回歸模型與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，將時(shí)間序列分解為長(zhǎng)期趨勢(shì)與殘差，分別進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，該預(yù)測(cè)分析模型取得了較理想的結(jié)果。該模型對(duì)房地產(chǎn)市場(chǎng)泡沫的監(jiān)測(cè)控制具有重要意義。根據(jù)預(yù)測(cè)、分析的結(jié)果可以為政府相關(guān)部門(mén)提供有建設(shè)性的建議。

參考文獻(xiàn)：

[1]王小廣.房地產(chǎn)庫(kù)存問(wèn)題與去庫(kù)存對(duì)策[J].理論探索，2017（02）：16-21+27.

[2]曾五一，孫蕾.中國(guó)房地產(chǎn)價(jià)格指數(shù)的模擬和預(yù)測(cè)[J].統(tǒng)計(jì)研究，2006（09）：27-30.

[3]張玉雙.我國(guó)地區(qū)房地產(chǎn)價(jià)格泡沫的測(cè)度[J].統(tǒng)計(jì)與決策，2016（05）：129-132.

[4]駱永民.城市化對(duì)房?jī)r(jià)的影響：線性還是非線性？——基于四種面板數(shù)據(jù)回歸模型的實(shí)證分析[J].財(cái)經(jīng)研究，2011，37（04）：135-144.

[5] Sun Ye.RMB Exchange Rate Forecast Approach Based on BP Neural Network[J]. Physics Procedia，2012，（33）：287-293.

[6]黃麗.BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[D].重慶師范大學(xué)，2008.

[7]許興軍，顏鋼鋒.基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)趨勢(shì)分析[J].浙江金融，2011（11）：57-59+64.

作者簡(jiǎn)介：

朱佳琦，男，武漢理工大學(xué)理學(xué)院本科生；

盧紫馨，女，武漢理工大學(xué)經(jīng)濟(jì)學(xué)院本科生；

漆俊偉，男，武漢理工大學(xué)理學(xué)院本科生；

李劉皓，男，武漢理工大學(xué)理學(xué)院本科生；

通訊作者：金升平，男，教授，碩士生導(dǎo)師，研究方向：金融統(tǒng)計(jì)計(jì)算與隨機(jī)模擬。

基金項(xiàng)目：

武漢理工大學(xué)自主創(chuàng)新研究基金本科生項(xiàng)目（2017-LX-B1-13）