Определение цен на недвижимость с использованием нейронных сетей - Экономико-математическое моделирование практическая работа
Главная
Экономико-математическое моделирование
Определение цен на недвижимость с использованием нейронных сетей
Использование эконометрических моделей в оценке цены на недвижимость. Методы искусственных нейронных сетей и влияние экзогенных переменных. Анализ чувствительности, который позволяет оценить влияние входных переменных на рыночную цену недвижимости.
посмотреть текст работы
скачать работу можно здесь
полная информация о работе
весь список подобных работ
Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http :// www . allbest . ru /
ФГОУ ВПО Финансовый Университет при правительстве Российской Федерации
Кафедра «Математическое моделирование экономических процессов»
Теоретико-практическая работа по дисциплине «Эконометрика» на тему:
Определение цен на недвижимость с использованием искусственных нейронных сетей
Использование эконометрических моделей в оценке цены на недвижимость является полезным и реалистичным подходом для покупателей и для местных и фискальных властей. В экономической литературе появилось много работ, пытающихся сравнить методы классических гедонических моделей и основанных на искусственных нейронных сетях моделей, более управляемых данными. Мы настаиваем на использование ИНС, если имеется достаточно статистической информации.
В последнее десятилетие Испания представляла собой продавца на рынке недвижимости. Приобретение жилья в собственность стало традицией, что поддерживалось фискальным стимулированием и низкими процентными ставками, относящимися ко всей еврозоне. Цены постепенно росли, и часть семейного дохода, уплачиваемая на ипотеку и расходы, связанные с содержанием жилища, возрастали. Эта тенденция внезапно подошла к концу в 2008 году, вызвав потрясения в экономике. Таким образом, необходим объективный подход к оценке рыночных цен на собственность. Это необходимо как для покупателей и продавцов семейных квартир и домов, так и для инвесторов, консалтинговых агентств и финансовых институтов, фискальных властей на муниципальном и национальном уровнях. Гедонические модели и модели ИНС могут служить способом к решению данного вопроса, однако для того, чтобы они приносили пользу, они должны регулярно обновляться, чтобы выявить изменения в цене.
Цены на недвижимость изучались в течение двух десятилетий с 50-х годов, тогда Розен предложил использовать регрессионные модели, названные гедонистическими моделями, и применил их в городских районах.
Методы искусственных нейронных сетей начали применяться к ценам на недвижимость в последнее десятилетие с растущим интересом.
ИНС ввели Маккалок и Питтс (1943) в качестве альтернативы алгоритмического программирования, разработанного Картом Лашли в двадцатые годы. Ниже приведены некоторые исследователи, занимавшиеся изучением ИНС.
ИНС представляет собой нелинейную регрессионную или многомерную регрессионную модель с ненаблюдаемыми переменными. Однако когда топология и параметры сети указаны, модель ИНС сводится к обычной статистической или эконометрической модели.
Оценка цены продажи квартиры (y) является целью модели ИНС. Объектом нашего исследования является город средних размеров, расположенный в Южной Испании. Внешние переменные включают внутренние данные о жилье и самом здании, а также его местоположении. В исследуемой области находится 130563 квартир, и более чем 75% из них - главные места жительства, приблизительно 14% - не используемые, и меньше чем 10% - вторичные места жительства. В 2006 г. количество квартир увеличилось до 135920. Ценовые данные зарегистрированы национальным институтом статистики и муниципалитетом в финансовых целях, но они не содержат данных с точной оценкой отдельных свойств. Рыночные посредники - главный источник точных данных; основная компания, Grupo Barin, провела 10124 сделок со следующей динамикой: в 2002 г. - 772 сделки, в 2003 г. - 1685, в 2004 г. - 1399, в 2005 г. - 3380, и в 2006 г. - 2888. Эта компания состоит из 18 офисов, рассеянных по всему городу.
В таблице 2 отражены используемые эндогенные и экзогенные переменные. Цена сделки является реальной рыночной ценой (ни объявленной ценой, ни ценой предложения) - таким образом избегается двойственность реально используемых данных.
(*) Переменные являются бинарными, и используются для разработки численных индексов в диапазоне (0; 1).
Многослойный персептрон используется при следующих входных переменных: площадь квартиры, возраст здания, расположение, дополнительные характеристики, общие расходы и качественные характеристики. Выходной слой включает в себя только цену сделки, и есть шесть нейронов в скрытом слое (как показано на рисунке 1).
В таблицах 3 и 4 представлены веса и пороги входных и скрытых нейронов слоя.
Таблица 3 Параметры: внутренний и скрытый слои
Таблица 4 Параметры: внутренний и скрытый слои.
Анализ чувствительности позволяет оценить влияние экзогенных переменных, используя ошибки отношения (таблица 5).
Другие три переменные являются менее важными, но их вывести из модели, окончательные результаты окажутся менее симпатичными.
= 86,05% и RMSE= 39540,36 €. Средняя абсолютная ошибка составляет 28551,34 €, и в относительном выражении 13,69%. На графике 1 показаны реальные значения цены (это редко может быть достигнуто с помощью классических гедонических моделей).
Использование аналогичной модели с данными на 2002-2005 гг., в 80% случаев, результаты аналогичны.
Анализ чувствительности позволяет оценить влияние входных переменных на рыночную цену. На графике 2, переменные упорядочены по мере их относительного влияния. В каждой модели области переменная «район» появляется в первую очередь, а затем расположение собственности. Затем наступает третья переменная, которой может быть возраст здания, расходы на обслуживание или показатели качества. Остальные переменные показывают меньшее влияние.
эконометрический модель нейронный сеть
Метод моделей ИНС - более гибкий чем классические эконометрические модели. Некоторые обычные проблемы, в гедонических моделях, такой как нелинейность в чрезвычайном диапазоне цен на рынке недвижимости, могут быть легко решены с помощью моделей ИНС, хотя некоторые авторы Allen and Zumwalt (1994) o Worzala, Lenk y Silva (1995). критикуют данный подход, называя его методом «черного ящика». В нашем примере с многослойным персептроном, оценочные результаты хорошо совпали с реальной ситуацией на рынке. «Темная сторона» этой методологии - сложность составления выборки, которую возможно преодолеть только фирмам с широким присутствием на рынках, также они должны обладать доступом к своим внутренним базам данных и иметь возможность использовать их информацию, чтобы обладать точными данными о жилье.
Анализ чувствительности показывает, что небольшое расстояние до центра города имеет большое значение в моноцентричных городах. Варьированность цены проявляется даже на той же самой улице/здании. В испанских забитых городах наличие гаража резко увеличивает окончательную цену. Общие расходы связаны с услугами, предоставленными зданием, таким образом, эта переменная коллинеарна с другими используемыми переменными, и менее значима в сделках.
В процессе ратификации ИНС менее распространен, хотя в гедонических моделях мультиколлинеарность является существенной проблемой в интерпретации гедонических цен.
1. Borst, R. (1991) Artificial Neural Networks: The Next Modelling/ Calibration Technology for the Assessment Community. Property Tax Journal, IAAO, 10 (1), pp. 69-94.
2. Caridad, J. M. y Ceular, N. (2001) Un analisis del mercado de la vivienda a traves de Sistemas de Redes Neuronales. Revista de Estudios de Economia Aplicada 18, pp. 67-81.
3. Collins, A. y Evans, A. (1994) Artificial Neural Networks: an application to residential valuation in the U.K. Journal of Property Valuation and Investment, vol. 11, n?2, pp. 195-204.
4. Do, A. y Grudnitski, G. (1992) A Neural Network Approach to Residential Property Appraisal The Real Estate Appraiser, Vol.58 (3), pp. 38-45.
5. Gallego Mora-Esperanza, J. (2004) La inteligencia artificial aplicada a la valoracion de inmuebles. Un ejemplo para valorar Madrid Revista CT/Catastro n? 50, pp.51-67
6. Lara Cabeza, J. (2005) Aplicacion de las redes neuronales artificiales al campo de la valoracion inmobiliaria Revista Mapping, n? 104, pp. 64-71.
7. Nguyen, N. y Cripps, A. (2001) Predicting housing value: a comparison of multiple regression analysis and artificial neural networks Journal of Real Estate Research, 22 (3), pp. 314-336.
8. Selim, H. (2009) Determinants of house prices in Turkey: Hedonic regresion versus artificial neural network Expert Systems with Applications, n?36, pp.2843-2852.
Понятие недвижимого имущества. Процесс оценки стоимости недвижимости. Влияние пространственного и экологического фактора на стоимость объекта недвижимости. Интуитивные (экспертные) и адаптивные методы прогнозирования. Модель многослойного персептрона. дипломная работа [1,8 M], добавлен 21.03.2011
Анализ возможности применения нейронных сетей в оценке вероятности наступления банкротства предприятия в современных условиях хозяйствования. Проблема рисков в экономике. Финансовые коэффициенты, применяемые в российских методиках оценки банкротства. курсовая работа [451,6 K], добавлен 14.08.2013
Функциональные преобразования переменных в линейной регрессии. Формулы расчета коэффициентов эластичности. Характеристика экзогенных и эндогенных переменных. Построение одно- и двухфакторного уравнений. Прогнозирование значения результативного признака. курсовая работа [714,1 K], добавлен 27.01.2016
Определение роли индексов потребительских цен в экономике. Нейронные сети и их применение в прогнозировании. Определение долгосрочной оценки паритета покупательной способности по странам, денежно-кредитной политики по установлению процентных ставок. презентация [108,3 K], добавлен 14.08.2013
Базовые понятия искусственного нейрона: структура, активационные функции, классификация. Изучение преимуществ нейронных сетей, позволяющих эффективно строить нелинейные зависимости, более точно описывающие наборы данных, чем линейные методы статистики. реферат [88,7 K], добавлен 17.05.2010
Особенности функционирования региональных рынков жилой недвижимости. Значимые факторы, отражающие процессы ценообразования на рынках жилой недвижимости в регионах. Построение многофакторных регрессионных моделей стоимости жилья в некоторых областях РФ. дипломная работа [2,8 M], добавлен 11.02.2017
Нахождение взаимосвязи между изменениями валютного курса, ставкой рефинансирования, доходами банка и изменением величины депозитов с ноября 2010 года по октябрь 2013 года. Корреляционный анализ экзогенных переменных. Значение коэффициента детерминации. курсовая работа [41,8 K], добавлен 29.05.2014
Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д. PPT, PPTX и PDF-файлы представлены только в архивах. Рекомендуем скачать работу .
© 2000 — 2021
Определение цен на недвижимость с использованием нейронных сетей практическая работа. Экономико-математическое моделирование.
Реферат по теме Міжнародна економічна система та її головні елементи
Курсовая работа по теме Разработка технологии антикризисного информационного реагирования
Примеры Написания Сочинения По Литературе
Правовая Характеристика Органов Опеки И Попечительства Курсовая
Контрольная работа по теме Управляющие устройства и их виды
Синдром Горнера Реферат
Сочинение Жизнь Вельможи 5 Класс
Курсовая работа по теме Санитарно–гигиеническая оценка микроклимата в цехе откорма бройлерных кур на ООО Тоганашская птицефабрика
Курсовая работа по теме Проектирование организации производственного процесса по изготовлению творога жирностью 18% и сменной мощности предприятия 5 т в смену
Дипломная работа: Задача квадратичного программирования с параметром в правых частях ограничений и ее применение при формировании портфеля ценных бумаг. Скачать бесплатно и без регистрации
Заказать Курсовую Работу Владивосток
Забавный Случай Из Жизни Домашнего Питомца Сочинение
Реферат по теме Персоналістична психологія Вільяма Штерна
Курсовая работа по теме Своеобразие художественных образов учёного-исследователя в произведениях Артура Конана Дойля
Курсовая Работа На Тему Сущность И Функции Финансов
Курсовая работа: Оборотный капитал предприятий
Учебное пособие: Методические указания к курсовой работе «Архитектурная деталь. Отмывка»
Реферат по теме Курс лекций по основам внешнеэкономической деятельности
Курсовая работа по теме Срок в гражданском праве
Реферат по теме Анку: персонификация смерти, вестник смерти или орудие смерти
Проблема рождаемости в России - Социология и обществознание курсовая работа
Фінансовий менеджмент - Финансы, деньги и налоги шпаргалка
Расчет параметров модели p-n перехода (плоскостного диода) - Физика и энергетика курсовая работа