陳祖欽

一、前言

針對(duì)房地產(chǎn)經(jīng)濟(jì)周期性波動(dòng)進(jìn)行預(yù)測(cè)時(shí)，主要使用支持向量機(jī)算法設(shè)計(jì)預(yù)測(cè)方案，但面對(duì)大量數(shù)據(jù)時(shí)容易陷入過擬合情況，使預(yù)測(cè)結(jié)果均方根誤差（RMSE）較大。因此，本文提出以隨機(jī)森林算法為基礎(chǔ)的房地產(chǎn)經(jīng)濟(jì)周期性波動(dòng)預(yù)測(cè)方法。運(yùn)用主成分分析方法選取合適的指標(biāo)，定義房地產(chǎn)經(jīng)濟(jì)景氣指數(shù)，描述房地產(chǎn)經(jīng)濟(jì)變化情況。根據(jù)已實(shí)現(xiàn)房地產(chǎn)經(jīng)濟(jì)波動(dòng)率，考慮動(dòng)態(tài)估計(jì)誤差，建立經(jīng)濟(jì)周期性波動(dòng)率模型。依托于隨機(jī)森林算法布置多個(gè)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(jī)森林組合預(yù)測(cè)結(jié)構(gòu)。最后，向組合預(yù)測(cè)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(jìn)行后續(xù)預(yù)測(cè)分析，生成房地產(chǎn)經(jīng)濟(jì)周期性波動(dòng)預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，所提方法預(yù)測(cè)結(jié)果的均方根誤差僅為0.08，滿足了房地產(chǎn)經(jīng)濟(jì)波動(dòng)預(yù)測(cè)要求。

房地產(chǎn)行業(yè)是國民經(jīng)濟(jì)的支柱產(chǎn)業(yè)，其帶動(dòng)了家電業(yè)、建筑業(yè)、服務(wù)業(yè)等數(shù)十個(gè)產(chǎn)業(yè)發(fā)展，在增加財(cái)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(diǎn)。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(jì)周期性波動(dòng)發(fā)展階段。受到資源約束、消費(fèi)約束等條件的影響[2]，房地產(chǎn)市場(chǎng)出現(xiàn)下降趨勢(shì)，而在資源供給充裕的情況下又會(huì)表現(xiàn)出上升特點(diǎn)，從而形成了循環(huán)往復(fù)的周期性波動(dòng)特點(diǎn)。各個(gè)房地產(chǎn)企業(yè)參與市場(chǎng)博弈過程中，了解房地產(chǎn)經(jīng)濟(jì)周期波動(dòng)規(guī)律，并預(yù)測(cè)未來波動(dòng)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(cè)模型，并在該模型中添加了馬爾可夫算法，實(shí)現(xiàn)數(shù)據(jù)高效轉(zhuǎn)換處理，穩(wěn)定實(shí)現(xiàn)經(jīng)濟(jì)波動(dòng)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法預(yù)測(cè)精度較低。桂文林、程慧[4]針對(duì)歷史經(jīng)濟(jì)數(shù)據(jù)進(jìn)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(jìn)prohit模型（廣義的線性模型），通過該模型得到波動(dòng)預(yù)測(cè)結(jié)果。但是，該預(yù)測(cè)方法在實(shí)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(duì)歷史經(jīng)濟(jì)波動(dòng)數(shù)據(jù)構(gòu)建異構(gòu)子圖，并引入多重注意力機(jī)制，實(shí)現(xiàn)圖和數(shù)據(jù)的有效融合。設(shè)計(jì)基于圖神經(jīng)網(wǎng)絡(luò)門控循環(huán)單元的預(yù)測(cè)模型，通過該模型完成經(jīng)濟(jì)波動(dòng)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法預(yù)測(cè)結(jié)果穩(wěn)定性較差。

本研究以提升房地產(chǎn)經(jīng)濟(jì)波動(dòng)預(yù)測(cè)準(zhǔn)確率為目的，提出應(yīng)用隨機(jī)森林算法的新型預(yù)測(cè)方法。

二、基于隨機(jī)森林算法的房地產(chǎn)經(jīng)濟(jì)周期性波動(dòng)預(yù)測(cè)

（一）定義房地產(chǎn)經(jīng)濟(jì)景氣指數(shù)

（二）構(gòu)建經(jīng)濟(jì)周期性波動(dòng)率模型

（三）波動(dòng)預(yù)測(cè)

（四）生成房地產(chǎn)經(jīng)濟(jì)周期性波動(dòng)預(yù)測(cè)結(jié)果

三、實(shí)驗(yàn)

（一）房地產(chǎn)企業(yè)概況

以某房地產(chǎn)企業(yè)為研究對(duì)象，進(jìn)行波動(dòng)預(yù)測(cè)實(shí)驗(yàn)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(shí)驗(yàn)準(zhǔn)備階段，選定2019年4月-2022年4月的房地產(chǎn)經(jīng)濟(jì)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，設(shè)置樣本的采樣周期為1個(gè)月，采集36個(gè)月的房地產(chǎn)經(jīng)濟(jì)波動(dòng)數(shù)據(jù)，作為后續(xù)經(jīng)濟(jì)周期性波動(dòng)預(yù)測(cè)的基礎(chǔ)。

（二）數(shù)據(jù)處理與參數(shù)設(shè)置

（三）波動(dòng)預(yù)測(cè)結(jié)果分析

四、結(jié)語

為了制定更好的房地產(chǎn)發(fā)展計(jì)劃，文中針對(duì)房地產(chǎn)經(jīng)濟(jì)周期性波動(dòng)預(yù)測(cè)問題進(jìn)行了研究，提出結(jié)合隨機(jī)森林算法的新型預(yù)測(cè)方法。通過隨機(jī)森林模型對(duì)海量數(shù)據(jù)進(jìn)行篩選，避免無關(guān)信息的輸入引起預(yù)測(cè)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(gè)分量的粒度信息，分別輸入隨機(jī)森林組合預(yù)測(cè)模型進(jìn)行分析，綜合處理后可以得出高精度波動(dòng)預(yù)測(cè)結(jié)果。從實(shí)驗(yàn)測(cè)試結(jié)果也可以看出，本文提出預(yù)測(cè)方法的通用性較強(qiáng)，且最終預(yù)測(cè)結(jié)果更加準(zhǔn)確，代表該研究思路的可行性。

引用

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

[2]邵為爽，李曉紅，張?zhí)焓悖?數(shù)據(jù)挖掘在房地產(chǎn)價(jià)格預(yù)測(cè)中的應(yīng)用研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，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(cè)模型的研究及應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2022，36（9）：288-296.

[4]桂文林，程慧.基于多變量動(dòng)態(tài)Probit模型的中國經(jīng)濟(jì)景氣預(yù)測(cè)[J].統(tǒng)計(jì)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(jī)制的圖神經(jīng)網(wǎng)絡(luò)股市波動(dòng)預(yù)測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2022，42（7）：2265-2273.

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

[7]陸長(zhǎng)瑋.上海房地產(chǎn)市場(chǎng)的多尺度周期波動(dòng)特征——基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和周期相位識(shí)別的分析[J].上海經(jīng)濟(jì)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(shí)序數(shù)據(jù)預(yù)測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2021，41（1）：199-207.

[9]向?yàn)槊瘢x靜，李嬌.中國房地產(chǎn)市場(chǎng)的脆弱性評(píng)估：來自房?jī)r(jià)波動(dòng)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(jià)格波動(dòng)研究——以西安市為例[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2020，50（10）：64-72.

作者單位：福州新區(qū)福清功能區(qū)投資促進(jìn)中心