基于ARMA模型的房地產銷售趨勢預測方法研究

鄧佳雯 陳繼紅

摘要：數據挖掘是指從大量的、客觀的、有噪聲的、隨機的數據中，通過算法提取隱含在其中的信息。隨著房地產行業的不斷發展，數據量越來越龐大，將數據挖掘技術應用于房地產行業，對銷售數據進行處理和分析，從真正意義上體現數據的價值。本文以江蘇省某市房地產數據為案例進行定量研究展示建模過程，基于ARMA模型并結合加權最小二乘法對模型進行改進。研究結果表明加權最小二乘法與ARMA模型的適應性較好，且優化模型在預測精度上有明顯的提高。旨在掌握行業目前所處態勢，并為房地產行業的開發計劃和營銷策略提供決策性指導。

關鍵詞：自回歸滑動平均模型;加權最小二乘法;單位根檢驗;房地產銷售數據;趨勢預測

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）19-0228-05

Abstract： Data mining refers to the extraction of implicit information from a large number of objective， noisy and random data through algorithms. With the continuous development of the real estate industry， the amount of data is getting larger and larger. The data mining technology is applied to the real estate industry to process and analyze the sales data， so as to truly reflect the value of data. In this paper， a real estate data of a city in jiangsu province is taken as a case to conduct a quantitative study to demonstrate the modeling process. The model is improved based on ARMA model and combined with weighted least square method. The result shows that the weighted least square method and ARMA model have good adaptability， and the optimization model has a significant improvement in the prediction accuracy. It aims to grasp the current situation of the industry and provide decision-making guidance for the development plan and marketing strategy of the real estate industry.

Key words： ARMA model; weighted least square estimate; ADF test;real estate sales data; trend prediction

國家統計局數據顯示，房地產行業在稅收中的占比基本保持在百分之十五左右，占國民生產總值的份額也呈逐年遞增態勢，在國民經濟發展中的重要性不言而喻。隨著房地產行業的不斷發展，房地產行業數據量越來越龐大，由于技術手段的不足，傳統的數據處理方式不能對收集的數據進行科學、有效地加工和處理，影響當前數據分析以及未來數據趨勢的預測，致使決策失誤。眾所周知，隨著管理體制的不斷深化改革，作為典型的數據密集型行業，房地產行業的競爭也越來越激烈。與其他行業相比，房地產行業負載著更多的數據。誰能準確地分析數據，誰就能提供更好的服務，從而獲得更多的機會，在市場競爭中取勝。房地產行業的分析樣本數據集來源于行業服務支撐系統，包括房源信息，開發信息，銷售信息，賬務信息，客戶信息等，涵蓋了所有的業務信息。由于房地產行業的某些數據存在實時性和波動性，如此海量的數據如果沒有得到有效的分析和處理，數據的價值將無法體現，因此亟需合理有效的預測手段。

1 房地產預測研究方法

文獻[1]中將馬爾科夫鏈的狀態轉移概率應用到商品房價格預測中，在對2009 -2012年北京住房銷售數據進行處理后，預測未來6個月的房價走勢。

文獻[2]通過建立VAR模型選取評價指標對多倫多房價進行預測，評價指標主要有消費價格指數、房價平均增幅的滯后三期、貸款利率等。

文獻[3]中分別用人工神經網絡、Hedonic回歸模型對土耳其的房價進行預測，對比結果表明人工神經網絡的預測效果相對較好。

除此之外，張珊玉等人在灰色預測模型的基礎上加以改進，對某地區房價進行了預測，同時也證明了灰色預測模型在房地產行業的適用性。

申瑞娜、曹昶基于支持向量機模型建立預測模型，并結合主成份分析法預測了上海市房價，預測結果顯示采用該方法構建的模型預測效果較好。

國內外對房價預測的研究方法主要有人工神經網絡、各類回歸模型以及灰色預測等，表1列舉了常用的預測方法，并進行對比分析。

表1? 常見預測方法的比較分析

[方法名稱 適用情況 灰色模型 針對數據量少、信息貧乏且不確定性系統進行預測分析 人工神經網絡模型 以神經元的數學模型為基礎表述，由網絡拓撲、節點特點和學習規則來表示[4]，通過不斷調整自身權重反映輸入和輸出的映射關系，網絡適應能力較強。 隨機理論模型 常用于分析不確定性問題，主要包括隨機變量方法和隨機過程方法 支持向量回歸模型 通過假定預測，將數據分為兩部分，一部分用來建模，一部分用來檢驗 ARMA 基于時間序列分析，且時間序列是平穩的。對異常變化值適應性較強，精確度高數據量較大的情況下運行速度很快。 ]

目前房地產數據在實際應用中還存在著許多不足，主要表現在：一是研究數據源的格式不規范、存在大量數據噪聲，難以確保數據的準確性;二是預測和分析技術要適應市場的變化，常規的統計分析方法還遠遠不夠;三是預測維度單一，籠統地分析價格漲幅意義不大。

房地產行業數據預測有這兩個趨勢，一是將銷售數據看作一個時間數列，選用恰當的模型對銷售趨勢進行預測;二是將房價影響因素建立指標體系，從而構建預測模型。文中采用第一種方式，結合模型適用情況和待預測數據特征，同時為了準確地預測銷售趨勢，在經過數據預處理操作的基礎上采用ARMA模型構建計量經濟學模型，以客觀真實的預測方法進行多維度分析討論，排除外在環境、人口、經濟發展、季節等周期性因素的影響，并以某市房地產實際銷售數據為實例進行預測。本課題涉及的時間序列處理后經檢驗均具平穩性。因此ARMA模型適用于房地產銷售趨勢預測，理論上預測精度較高。

2 ARMA模型

自回歸-移動平均混合模型（Autoregressive moving average mode，簡稱ARMA模型）是任何線性時間序列模型的理論方程式[5]，是一種常見的隨機時間序列模型，由自回歸模型和移動平均模型組成的，是對數據進行預測的較為客觀科學的計量經濟學方法之一[6]。

2.1 ARMA模型的基本思想

基于ARMA模型的房地產銷售趨勢預測的基本思想是：按時間順序將房地產銷售變化數值視為隨機時間序列，其中待預測時間序列中第n個值不僅與第（n-1）個值存在關聯，且與前（n-1）個時刻也存在關聯，以此來預測第n個時刻的值[7]。只有預測對象為零均值的平穩隨機時間序列，才可以使用ARMA建立預測模型。因此在建模之前，需要對時間序列進行差分平穩化和零均值處理。

參考文獻：

[1] 連星. 太原市商品住宅價格預測研究[D]. 太原：山西財經大學， 2017.

[2] 劉揚. 哈爾濱市松北區商品住宅價格預測研究[D]. 哈爾濱：東北林業大學， 2016.

[3] 葉桂芳. 基于國房景氣指數的我國房地產市場發展趨勢研究[D]. 廣州：暨南大學， 2015.

[4] 和湘， 劉晟， 姜吉國. 基于機器學習的入侵檢測方法對比研究[J]. 信息網絡安全， 2018， 209（05）：7-17.

[5] 章晨， 鄭循剛， 龔沁. 基于ARMA模型的我國房地產價格預測分析[J]. 生產力研究， 2012（2）：27.

[6] Paulo Teles，Paulo S. A. Sousa. The effect of temporal aggregation on the estimation accuracy of ARMA models[J]. Communications in Statistics - Simulation and Computation，2018，47（10）：2865-2885.

[7] 李瑞瑩， 康銳. 基于ARMA模型的故障率預測方法研究[J]. 系統工程與電子技術， 2008， 30（8）：1588-1591.

[8] 呂福琴. 基于自回歸和神經網絡算法加權組合的負荷預測[J]. 廣東電力， 2011， 24（5）：69-72.

[9] 葉瑰昀， 羅耀華， 劉勇. 基于ARMA模型的電力系統負荷預測方法研究[J]. 信息技術， 2002（6）：74-76.

[10] Jongoh Nam，Seonghyun Sim. Forecast accuracy of abalone producer prices by shell size in the Republic of Korea： Modified Diebold–Mariano tests of selected autoregressive models[J]. Aquaculture Economics & Management，2018，22（4）：474-489.

[11] 趙彥艷. 隨機時間序列模型在煤炭價格預測中的應用[D]. 濟南：山東大學， 2010.

[12] 張俊民. 基于特征融合的ARMA短時睡眠狀態分析研究[D]. 上海：華東理工大學， 2016.

[13] Wu X ， Kumar V ， Quinlan J R ， et al. Top 10 algorithms in data mining[J]. Knowledge and Information Systems， 2008， 14（1）：1-37.

[14] Berkhin P. A Survey of Clustering Data Mining Techniques[J]. Grouping Multidimensional Data， 2006， 43（1）：25-71.

[15] Rhodes D R， Yu J， Shanker K， et al. ONCOMINE： a cancer microarray database and integrated data-mining platform[J]. Neoplasia， 2004， 6（1）：1-6.

【通聯編輯：梁書】