基于隨機森林算法的房地產(chǎn)經(jīng)濟周期性波動預(yù)測

陳祖欽

一、前言

針對房地產(chǎn)經(jīng)濟周期性波動進行預(yù)測時，主要使用支持向量機算法設(shè)計預(yù)測方案，但面對大量數(shù)據(jù)時容易陷入過擬合情況，使預(yù)測結(jié)果均方根誤差（RMSE）較大。因此，本文提出以隨機森林算法為基礎(chǔ)的房地產(chǎn)經(jīng)濟周期性波動預(yù)測方法。運用主成分分析方法選取合適的指標，定義房地產(chǎn)經(jīng)濟景氣指數(shù)，描述房地產(chǎn)經(jīng)濟變化情況。根據(jù)已實現(xiàn)房地產(chǎn)經(jīng)濟波動率，考慮動態(tài)估計誤差，建立經(jīng)濟周期性波動率模型。依托于隨機森林算法布置多個決策回歸樹，通過該結(jié)構(gòu)從大量數(shù)據(jù)中篩選出包含重要特征的數(shù)據(jù)樣本，并通過合理的基尼系數(shù)構(gòu)建隨機森林組合預(yù)測結(jié)構(gòu)。最后，向組合預(yù)測結(jié)構(gòu)中添加模糊信息?；幚砟K，提取有效分量信息?；诖诉M行后續(xù)預(yù)測分析，生成房地產(chǎn)經(jīng)濟周期性波動預(yù)測結(jié)果。實驗結(jié)果表明，所提方法預(yù)測結(jié)果的均方根誤差僅為0.08，滿足了房地產(chǎn)經(jīng)濟波動預(yù)測要求。

房地產(chǎn)行業(yè)是國民經(jīng)濟的支柱產(chǎn)業(yè)，其帶動了家電業(yè)、建筑業(yè)、服務(wù)業(yè)等數(shù)十個產(chǎn)業(yè)發(fā)展，在增加財政收入方面發(fā)揮了巨大作用[1]。但是，任何產(chǎn)業(yè)的發(fā)展都不是完全規(guī)則的，往往呈現(xiàn)出周期變化特點。房地產(chǎn)行業(yè)在經(jīng)過幾十年的繁榮后，也步入了經(jīng)濟周期性波動發(fā)展階段。受到資源約束、消費約束等條件的影響[2]，房地產(chǎn)市場出現(xiàn)下降趨勢，而在資源供給充裕的情況下又會表現(xiàn)出上升特點，從而形成了循環(huán)往復(fù)的周期性波動特點。各個房地產(chǎn)企業(yè)參與市場博弈過程中，了解房地產(chǎn)經(jīng)濟周期波動規(guī)律，并預(yù)測未來波動情況，都是不可或缺的環(huán)節(jié)。

吳江斌等[3]結(jié)合廣義回歸條件異方差模型、混頻數(shù)據(jù)抽樣模型，構(gòu)建了非線性組合預(yù)測模型，并在該模型中添加了馬爾可夫算法，實現(xiàn)數(shù)據(jù)高效轉(zhuǎn)換處理，穩(wěn)定實現(xiàn)經(jīng)濟波動預(yù)測。實驗結(jié)果表明，該方法預(yù)測精度較低。桂文林、程慧[4]針對歷史經(jīng)濟數(shù)據(jù)進行濾波處理和分離處理，提取出循環(huán)成分，而后按照最大化原則構(gòu)建改進prohit模型（廣義的線性模型），通過該模型得到波動預(yù)測結(jié)果。但是，該預(yù)測方法在實際應(yīng)用中難以與大規(guī)模數(shù)據(jù)相匹配。李曉寒等[5]從關(guān)系維度入手，針對歷史經(jīng)濟波動數(shù)據(jù)構(gòu)建異構(gòu)子圖，并引入多重注意力機制，實現(xiàn)圖和數(shù)據(jù)的有效融合。設(shè)計基于圖神經(jīng)網(wǎng)絡(luò)門控循環(huán)單元的預(yù)測模型，通過該模型完成經(jīng)濟波動預(yù)測。實驗結(jié)果表明，該方法預(yù)測結(jié)果穩(wěn)定性較差。

本研究以提升房地產(chǎn)經(jīng)濟波動預(yù)測準確率為目的，提出應(yīng)用隨機森林算法的新型預(yù)測方法。

二、基于隨機森林算法的房地產(chǎn)經(jīng)濟周期性波動預(yù)測

（一）定義房地產(chǎn)經(jīng)濟景氣指數(shù)

（二）構(gòu)建經(jīng)濟周期性波動率模型

（三）波動預(yù)測

（四）生成房地產(chǎn)經(jīng)濟周期性波動預(yù)測結(jié)果

三、實驗

（一）房地產(chǎn)企業(yè)概況

以某房地產(chǎn)企業(yè)為研究對象，進行波動預(yù)測實驗分析。該房地產(chǎn)企業(yè)原本是1984年成立的科教儀器展銷中心，直到1987年才正式更名為現(xiàn)代企業(yè)有限公司，同一年公司更改為股份制。本次實驗準備階段，選定2019年4月-2022年4月的房地產(chǎn)經(jīng)濟數(shù)據(jù)作為實驗數(shù)據(jù)，設(shè)置樣本的采樣周期為1個月，采集36個月的房地產(chǎn)經(jīng)濟波動數(shù)據(jù)，作為后續(xù)經(jīng)濟周期性波動預(yù)測的基礎(chǔ)。

（二）數(shù)據(jù)處理與參數(shù)設(shè)置

（三）波動預(yù)測結(jié)果分析

四、結(jié)語

為了制定更好的房地產(chǎn)發(fā)展計劃，文中針對房地產(chǎn)經(jīng)濟周期性波動預(yù)測問題進行了研究，提出結(jié)合隨機森林算法的新型預(yù)測方法。通過隨機森林模型對海量數(shù)據(jù)進行篩選，避免無關(guān)信息的輸入引起預(yù)測誤差。此外，所提方法還引入了模糊信息粒度處理理念，將原始數(shù)據(jù)分解為多個分量的粒度信息，分別輸入隨機森林組合預(yù)測模型進行分析，綜合處理后可以得出高精度波動預(yù)測結(jié)果。從實驗測試結(jié)果也可以看出，本文提出預(yù)測方法的通用性較強，且最終預(yù)測結(jié)果更加準確，代表該研究思路的可行性。

引用

[1]畢文杰，扶春娟.基于機器學(xué)習(xí)的Airbnb房源價格預(yù)測及影響因素研究——以北京市為例[J].運籌與管理，2022，31（9）：217-224.

[2]邵為爽，李曉紅，張?zhí)焓?，?數(shù)據(jù)挖掘在房地產(chǎn)價格預(yù)測中的應(yīng)用研究[J].數(shù)學(xué)的實踐與認識，2020，50（5）：306-311.

[3]吳江斌，王璐，夏正蘭，等.基于MS-GARCH-MIDAS的組合預(yù)測模型的研究及應(yīng)用[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2022，36（9）：288-296.

[4]桂文林，程慧.基于多變量動態(tài)Probit模型的中國經(jīng)濟景氣預(yù)測[J].統(tǒng)計與決策，2020，36（11）：16-22.

[5]李曉寒，王俊，賈華丁，等.基于多重注意力機制的圖神經(jīng)網(wǎng)絡(luò)股市波動預(yù)測方法[J].計算機應(yīng)用，2022，42（7）：2265-2273.

[6]吳曉峰，林曉言，靳雅楠.基于時間序列模型遴選的集成組合預(yù)測模型[J].統(tǒng)計與決策，2021，37（9）：5-8.

[7]陸長瑋.上海房地產(chǎn)市場的多尺度周期波動特征——基于集合經(jīng)驗?zāi)B(tài)分解和周期相位識別的分析[J].上海經(jīng)濟研究，2020（8）：46-57.

[8]高世樂，王瀅，李海林，等.基于矩陣畫像的金融時序數(shù)據(jù)預(yù)測方法[J].計算機應(yīng)用，2021，41（1）：199-207.

[9]向為民，謝靜，李嬌.中國房地產(chǎn)市場的脆弱性評估：來自房價波動的證據(jù)[J].改革，2022（3）：87-100.

[10]張新生，遲依涵，蘭峰.基于媒體效應(yīng)的房地產(chǎn)價格波動研究——以西安市為例[J].數(shù)學(xué)的實踐與認識，2020，50（10）：64-72.

作者單位：福州新區(qū)福清功能區(qū)投資促進中心