【摘要】對于我國房地產市場日益火熱的現(xiàn)象以及潛在的泡沫威脅，建立了一種新的預測分析模型。將回歸模型與BP神經(jīng)網(wǎng)絡算法相結合，將時間序列分解為長期趨勢與殘差，分別進行預測。選取了我國2002年1月至2017年9月的平均房價以及主要影響因素作為實驗數(shù)據(jù)，對房價進行預測，并對泡沫進行量化研究。研究結論給出了房地產價格與泡沫的發(fā)展趨勢，并提出了監(jiān)測與抑制泡沫的有效手段。對我國房地產市場健康穩(wěn)定發(fā)展具有一定意義。

【關鍵詞】房價；房地產泡沫；多元線性回歸；BP神經(jīng)網(wǎng)絡；預測分析

引言

房地產泡沫現(xiàn)象主要指的是土地價格和房產價格上升到極端的高位，與房產的使用價值不符。近年來，房價不斷上漲。國家為控制房價，先后在2010年與2015年出臺了限購令與“去庫存”政策，然而并未取得很好的效果。在三四線城市供遠大于需，在一二線城市市場火爆一房難求。在此背景下，房地產市場可能形成泡沫，存在較高的金融風險。[1][2]因此，對房價的發(fā)展趨勢與房地產泡沫的評估具有重要的現(xiàn)實意義。

以往學者如張玉雙[3]、駱永民[4]等對房價泡沫的預測研究通常使用回歸模型或者時間序列模型。基于所獲得的經(jīng)濟數(shù)據(jù)，所建模型一般會存在異方差、自相關等違反經(jīng)典假設的問題。且大多數(shù)情況下使用普通手段難以消除。針對此問題，本文提出一種新方法，即將原始時間序列數(shù)據(jù)進行分解，綜合采用多元回歸模型與BP神經(jīng)網(wǎng)絡算法分別對趨勢和殘差序列進行預測。從而彌補了傳統(tǒng)回歸模型過于依賴經(jīng)典假設的缺點。

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，選取了房地產投資額累計同比增速/GDP累計同比增速（X1）、房地產銷售總額/GDP（X2）、房地產開發(fā)貸款/房地產開發(fā)資金（X3）、房價上漲率（X4）與房價收入比（X5）這五個宏觀經(jīng)濟指標作為影響房價與泡沫的因素，并以全國平均房價為因變量（Y），如圖1所示。

本文選取2002年1月至2017年9月總共189個月的月度數(shù)據(jù)作為分析樣本。數(shù)據(jù)來源為中經(jīng)網(wǎng)數(shù)據(jù)庫。由于部分數(shù)據(jù)不以月度為統(tǒng)計節(jié)點，例如GDP數(shù)據(jù)以季度為統(tǒng)計節(jié)點，故本文采用二次匹配平均法（Quadratic Match Average）進行處理，將其轉化為月度數(shù)據(jù)。同時提高分析與預測的精度。對于指標缺失數(shù)據(jù)，取上下期平均作為該期數(shù)據(jù)。

2、預測模型

類似殘差自回歸模型的思想，對各指標時間序列數(shù)據(jù)進行分解：

即分解為長期趨勢 與殘差序列 的疊加。采用回歸模型擬合長期趨勢 ；對于殘差序列 ，對其進行檢驗，若 為非白噪聲序列，則說明可以從中進一步提取信息，采用BP神經(jīng)網(wǎng)絡對 進行擬合與預測。最終的擬合預測結果由兩部分相加得到。

2.1 趨勢擬合模型

在189個月的數(shù)據(jù)中抽取大概前65%的樣本作為訓練測試樣本，即2002年1月至2013年12月的數(shù)據(jù)作為訓練測試樣本。2014年1月至2017年9月的樣本作為預測對照樣本。采用多元線性回歸模型擬合訓練測試樣本。利用Eviews 8.0進行回歸操作，得到模型為：

利用該模型對預測對照樣本進行預測?？傻?014年1月至2017年9月房價的趨勢預測值。

2.2 殘差序列擬合模型

由多元線性回歸模型的擬合結果可得訓練測試樣本的殘差序列。將殘差序列作為因變量，序列 作為自變量，用BP神經(jīng)網(wǎng)絡進行擬合。

2.2.1 BP神經(jīng)網(wǎng)絡算法原理

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

以只含一個隱含層的BP神經(jīng)網(wǎng)絡為例為例，其拓撲結構如圖2所示。

BP神經(jīng)網(wǎng)絡算法的步驟為：[6][7]

Step 1.以隨機數(shù)初始化權值

Step 2. 輸入學習樣本；

Step 3. 依次計算各層的輸出

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值和閾值；

Step 6. 計算新一輪輸出與誤差，若達到指定精度或達到最大學習次數(shù)，則終止學習。否則轉到第二步繼續(xù)新一輪的學習。

算法流程圖如圖3所示：

2.2.2 模型建立

同趨勢擬合模型，選取2002年1月至2013年12月的數(shù)據(jù)作為訓練測試樣本。使用BP神經(jīng)網(wǎng)絡進行建模。

本文采用MATLAB R2015b作為軟件平臺，進行BP網(wǎng)絡的訓練與測試。BP神經(jīng)網(wǎng)絡在進行訓練之前，需要進行參數(shù)預設定。選擇合適的參數(shù)能使BP神經(jīng)網(wǎng)絡的性能得到最大的發(fā)揮。本文采取反復試驗的方法，根據(jù)訓練結果不斷調整參數(shù)以達到最優(yōu)效果。最終參數(shù)設定為：隱含層為2層，隱含層節(jié)點數(shù)分別為10、11個，各層激活函數(shù)均為雙曲正切函數(shù)。采用動量梯度下降法進行訓練。設置最大訓練次數(shù)為1000，學習率為0.1，目標精度為 。其中，訓練樣本占2002年1月至2013年12月樣本的70%，測試樣本占30%，均為隨機選取。

3、結果分析

使用訓練好的BP神經(jīng)網(wǎng)絡對2014年1月至2017年9月的預測對照樣本進行預測分析。將各因素輸入模型，輸出預測殘差序列，并由公式

同時，綜合考慮回歸模型對長期趨勢的預測與BP神經(jīng)網(wǎng)絡對殘差的預測，還可以獲得各個影響因素的貢獻率，由此可得到各因素的重要性，如表2所示。

綜上所述，得出以下分析結論與政策建議：

2017年全年的房價泡沫率均在30%左右波動，且呈上升趨勢。同時結合2014年1月至2017年9月的泡沫率變化可知，自2017年1月以來，我國房地產市場泡沫率有顯著下降，但仍在緩慢增長。政府需要采取措施遏制房地產市場泡沫。

由重要性分析可知，因素X3（即房地產開發(fā)貸款/房地產開發(fā)資金）占據(jù)第一位，房地產開發(fā)貸款對房價以及泡沫的影響最大。其他四個因素也產生了一定的影響。所以政府部門尤其要加強對房地產開發(fā)貸款的監(jiān)管程度，從而控制泡沫增長。

結論：

本文針對傳統(tǒng)回歸模型過于依賴經(jīng)典假設的問題，提出了一種新的預測分析模型，即把回歸模型與BP神經(jīng)網(wǎng)絡相結合，將時間序列分解為長期趨勢與殘差，分別進行預測。實驗結果表明，該預測分析模型取得了較理想的結果。該模型對房地產市場泡沫的監(jiān)測控制具有重要意義。根據(jù)預測、分析的結果可以為政府相關部門提供有建設性的建議。

參考文獻：

[1]王小廣.房地產庫存問題與去庫存對策[J].理論探索，2017（02）：16-21+27.

[2]曾五一，孫蕾.中國房地產價格指數(shù)的模擬和預測[J].統(tǒng)計研究，2006（09）：27-30.

[3]張玉雙.我國地區(qū)房地產價格泡沫的測度[J].統(tǒng)計與決策，2016（05）：129-132.

[4]駱永民.城市化對房價的影響：線性還是非線性？——基于四種面板數(shù)據(jù)回歸模型的實證分析[J].財經(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)絡算法改進及應用研究[D].重慶師范大學，2008.

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

作者簡介：

朱佳琦，男，武漢理工大學理學院本科生；

盧紫馨，女，武漢理工大學經(jīng)濟學院本科生；

漆俊偉，男，武漢理工大學理學院本科生；

李劉皓，男，武漢理工大學理學院本科生；

通訊作者：金升平，男，教授，碩士生導師，研究方向：金融統(tǒng)計計算與隨機模擬。

基金項目：

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