CN107194561A - 基于熵值法和灰色gm11模型预测房地产风险的方法 - Google Patents

Abstract

本发明公开一种基于熵值法和灰色GM11模型预测房地产风险的方法，步骤包括：房地产风险因子识别、数据收集、房地产风险模型建立、房地产风险模型评估和房地产风险模型分布，从而实现基于数据挖掘定量分析不同层级的房地产市场的风险。本发明是一种完全基于数据分析的定量方法来度量房地产市场风险，相比传统定性的方法房地产市场风险量化方面有极大的提升。本发明能有效的识别房地产市场风险因子主要有哪些，同时可以确定哪些因子对于房地产市场风险有多大的影响程度，可以分析出来通过哪些因子的调整来控制与防范风险。本发明可以从对宏观层面进行风险评级，同时也可以在中观层面进行风险评级，甚至在微观层面上进行风险评级。

Description

基于熵值法和灰色GM11模型预测房地产风险的方法

技术领域

本发明涉及房地产金融和信息分析相结合领域，尤其是一种基于数据挖掘来评价房地产市场风险体系的房地产风险的评价方法。

背景技术

随着中国经济的快速发展与城镇化进程稳步推进，住房需求成为城镇居民最基本的生活需求，并且随着居民收入稳步增长，房地产需求也不断的增大，从而使得房地产行业存在巨大的发展空间。加之房地产业也因其与其他行业的关联度高、带动力强,对国民经济发展的影响大而成为国民经济的支柱产业。

但是，我国住房商品化的时间还不长，房地产市场在一定程度上还很不规范，还存在着诸如房价增幅过快、供应结构不够合理、部分城市房地产过热、房地产开发和交易不够规范等一系列问题。这些问题都为房地产业的发展带来了巨大的风险，房地产风险如何去识别与判断成为难点。

传统的判断房地产市场分析的方法，往往都是基于定性的分析，比如：

基于房地产与经济相关从业人员的经验判断；基于学术层面的房地产风险的探讨，如使用房价收入比、房价租金比，把国内的房地产市场，多角度的和国外的房地产市场做对比等方法；对于风险的评级大多都是在与国家层面，最多到城市级别风险判断。

因此会分别造成以下缺点和不足：

1、传统的分析评价的过程中，往往是房地产与经济相关人员对于局部房地产市场风险的判断，同时也缺乏数据支撑，主要是从定性的角度进行分析与判断，主观意识比较强，带有个人色彩，容易出现误判。

2、由于个人经验限制，对房地产风险因子的识别不高，对数据掌握整体性不强，对数据分析的解读不过深，容易造成风险因子识别不准，容易造成孤立的数据维度，容易造成对房地产风险片面，从而出现对房地产风险的误判或者偏颇。

3、传统的风险判断大多都是在国家层面，最多到城市级别；缺少对于城市的区县级别的风险判断，楼盘级别的风险判断市场上目前根本就没有出现过。

因此传统风险评判的过程中，缺乏整体性多维度，依靠数据对风险进行综合评级的方法。往往存在依赖相关从业经验者的主观判断，或者依赖相对孤立的维度数据，进行较为片面的判断。

发明内容

为了解决上述技术问题，本发明提供本发明提供一种基于熵值法和灰色GM11模型预测房地产风险的方法，能过很好解决以下问题：

1、区别于传统的房地产风险分析方法，本发明是完全基于定量的分析方法，可以很好的解决了基于定性的分析判断容易出现风险误判的技术问题。

2、区别于传统的房地产风险分析方法，本发明是完全基于数据挖掘的方法，可以能够自动收集到全部与房地产风险因子相关数据，同时是全维度数据，不会出现风险因子丢失的情况，基于数据降维、因子识别与提取技术不会出现风险因子识别的误判与数据的片面性，能够很全面准确的解决识别房地产风险因子。

3、本发明的创新在于可以解决传统房地产风险评价只能评价到城市级别的问题，本发明不仅可以对全国所有城市进行房地产评级，而且可以每个城市的区县进行风险评级，甚至可以对每个区县下的每个楼盘进行风险评级。

本发明解决其技术问题所采取的技术方案是：

基于熵值法和灰色GM11模型预测房地产风险的方法，包括如下步骤：

步骤1：房地产风险因子识别

本发明采用德尔菲法进行房地产风险因子的判断，采集大量房地产与金融领域方面的专家对房地产市场风险因子的理解，综合各专家对每个风险因子的意见，结合统计学中的主成分分析，得到不同风险因子的权重，按照权重的大小确定影响房地产风险的主要因子。

步骤2：数据收集

根据步骤1得出的房地产风险因子，通过分析每个风险因子的内涵，收集各级指标数据。数据收集采用计算机自动化收集。主要分成三层级：城市层级、区县层级和楼盘层级。

步骤3：房地产风险模型建立

通过步骤2 的数据收集，得到三个级别上的数据：城市级别数据、区县级别数据和楼盘数据。同时这些数据是与步骤1房地产市场风险因子相对应的，利用对于风险因子的识别，以及对应的数据建立不同级别上的风险度量模型。

城市级别房地产风险度量模型

通过对城市级别上的风险因子数据分析，不同风险因子对城市房地产风险级别的影响程度是不同的，不同风险因子的权重是不同的，本发明通过熵值法确定城市风险评级不同因子的权重大小。

区县级别房地产风险度量模型

通过对区县级别上的风险因子数据分析，得出不同风险因子对、区县房地产风险级别的影响程度是不同的，因此不同风险因子的权重是不同的，因此区县风险评级主要就是要解决不同因子的权重大小；对于区县房地产风险度量模型本发明采用的模型与城市房地产风险度量模型一致。

楼盘级别风险度量模型

通过对楼盘数据的收集，由于楼盘有价格数据，因此对于楼盘的风险评价本发明采用以下两种模型相结合的方法；

基于熵值法的数据楼盘风险度量模型；

基于灰色预测GM11模型预测的风险度量。

步骤4：房地产风险模型评估

对于步骤3得到的城市、区县和楼盘风险评级的结果，通过房地产不同领域的专家给出模型评估结果，对比分析，调整优化模型参数，使得结果与真实更加接近。

步骤5：房地产风险模型发布

对于步骤4的对风险模型评估完成后，发布风险评级的度量模型，同时进行产品展示。

本发明的有益效果是，

本发明是一种完全基于数据分析的定量方法来度量房地产市场风险，相比传统定性的方法房地产市场风险量化方面有极大的提升。

本发明能有效的识别房地产市场风险因子主要有哪些，同时可以确定哪些因子对于房地产市场风险有多大的影响程度，可以分析出来通过哪些因子的调整来控制与防范风险。

本发明可以从对宏观层面（城市级别）进行风险评级，同时也可以在中观层面（区县级别）进行风险评级，甚至在微观层面（小区级别）上进行风险评级。

附图说明

下面结合附图对本发明进行进一步说明。

图1为本发明评估房地产风险流程图。

具体实施方式

如图1所示，本发明评估房地产风险的步骤包括，房地产风险因子识别、数据收集、房地产风险模型建立、房地产风险模型评估和房地产风险模型分布，从而实现基于数据挖掘定量分析不同层级的房地产市场的风险。

下面结合图1具体说明每个步骤的实现方法。

A房地产风险因子识别

房地产风险因子的识别是房地产市场风险评级的关键步骤，因此风险因子识别非常重要。本次发明主要采用德尔菲法进行房地产风险因子的判断，采集大量房地产与金融领域方面的专家对房地产市场风险因子的理解，综合各专家对每个风险因子的意见，结合统计学中的主成分分析，得到不同风险因子的权重。按照权重的大小可以确定影响房地产风险的主要因子。具体实施如下：

A1：采用德尔菲法分析房地产市场分析因子，即通过对房地产方面与金融领域的专家发放关于“房地产市场风险因子的问题”问卷（一般问卷不少于30份），征询各位专家意见，并统计相关数据。

A2：统计问卷数据，并采用统计学中的主成分分析（CPA），确定不同风险因子的权重，并采用加权平均法提取房地产市场风险因子。

A3：结合上述步骤A1与步骤A2结果，分析结果之间的差异，形成最终房地产市场风险因子体系。

B数据收集

根据房地产风险因子，我们通过每个风险因子的内涵，收集各级指标数据。数据收集主要采用计算机自动化收集。数据收集主要分成三层级：城市层级、区县层级和楼盘层级。

1、城市级别的数据收集：经济因素、市场因素、政策因素。

2、区县级别的数据收集：处理区县级别的经济因素、市场因素和政策因素外，还需要有区域交通便利度、区域成熟度、位置水平等相关POI数据。

3、楼盘级别上的数据收集：实物因素与区位因素相关数据。

C房地产风险模型建立

通过第二部分的数据收集，我们可以的得到三个级别上的数据：城市级别数据、区县级别数据和楼盘数据。同时这些数据主要是与第一部分确定的房地产市场风险因子相对应的，因此可以利用不同级别上的风险因子，以及对应的数据建立不同级别上的风险度量模型。

C1城市级别房地产风险度量模型

通过对城市级别上的风险因子数据分析，我们认为不同风险因子对城市房地产风险级别的影响程度是不同的，不同风险因子的权重是不同的，因此城市风险评级主要就是要解决不同因子的权重大小。

熵值法是确定房地产风险因子权重非常重要的方法。基于熵值法房地产风险评价模型原理介绍如下：

1.1）基本原理：在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也就越大。根据熵的特性，可以利用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大；

通过房地产市场风险因子数据指标，采用熵值来判断指标对于房地产风险的影响程度，如下:

1.2）房地产风险因子权重确定的步骤：

（1）选取n个城市样本，m个风险因子指标，则xij为第i个城市的第j个风险因子指标的数值；

（2）计算第j个指标下的第i个城市占该风险因子指标的权重

p_ij=xij/(sum_{i=1}^n(x_ij))

（3）计算第j个风险因子指标的熵值

e_j=-ksum_{i=1}^m(p_{ij})ln(pij)其中，k>0k=1/ln(n).e_j>=0

(4)计算第j项风险因子指标的差异系数，对于第j项风险因子指标，风险因子指标值的差异越大，对城市房地产风险评价的作用越大，熵值就越小；

定义差异系数：

g_i=（1-e_j）/(m-E_e)式中E_e=sum(e_j) 0=<g_j<=1 sum(g_j)=1

(5)求取风险因子的权重

w_j=g_j/sum(g_j)(1=<j<=m)

对风险因子指标的数据的非负数化处理：

X_ij=Xij-min(xij)/(max(xij)-min(xij)

因此，可以通过熵值法来计算不同城市级别上的房地产风险评级；

R=W1*F1+W2*F2+…+Wn*Fn

R:城市风险评分；

Wi:熵值法确定的风险因子权重；

Fi:风险因子值；

根据上述公式，可得到不同城市的风险评级分值，由于产品是对风险进行分档处理，可以利用风险评分数据分析，采用统计学中的简单描述统计分析可以不同风险等级的数值划分，从而对不同城市房地产市场风险进行分等定级。

C2区县级别房地产风险度量模型

通过对区县级别上的风险因子数据分析，我们认为不同风险因子对、区县房地产风险级别的影响程度是不同的，因此不同风险因子的权重是不同的，因此区县风险评级主要就是要解决不同因子的权重大小。

对于区县房地产风险度量模型与城市房地产风险度量模型基本上一致。

C3楼盘级别风险度量模型

通过对楼盘数据的收集，由于楼盘有价格数据，因此对于楼盘的风险评价我们可以采用两种方法相结合的。

基于熵值法的数据楼盘风险度量模型：基于熵值法的风险度量模型与基于熵值法城市房地产风险评价模型一致，只是风险因子与城市风险因子有所不同而已。

基于灰色预测模型GM11模型预测的风险度量：基于灰色预测模型GM11可以对房地产价格未来的走势进行长期预测，从而可以判断未来房地产价格走势是否涨跌，从而可以预判房地产市场风险。

1.3）基于灰色理论GM11的楼盘风险度量模型的原理介绍：

Ⅰ设某楼盘的价格时间序列 有n年价格观察值（一般n>=4），，

通过楼盘价格累加生成新序列

，

则GM（1，1）模型相应的微分方程为：

其中：α称为发展灰数；μ称为内生控制灰数。 2、设为待估参数向量， ，可利用最小二乘法求解。解得：

求解微分方程，即可得楼盘的价格预测模型：

，

Ⅱ 模型检验

灰色预测检验一般有残差检验、关联度检验和后验差检验；

Ⅲ 将通过检验模型，用来预测楼盘的价格，对于预测未来价格涨幅非常大的楼盘可以定义风险较低，而对于预测未来价格涨幅偏低或者价格下跌的楼盘可以定义风险较高。

对于楼盘的风险评级，可以给出两种方式结果的不同加权平均结果。

D房地产风险模型评估

对于第三部分得到的城市、区县和楼盘风险评级的结果，需要进行评估，可通过房地产不同领域的专家给出模型评估结果，对比分析，调整优化模型参数，使得结果与真实更加接近。

E房地产风险模型发布

对风险模型评估完成后，可以发布风险评级的度量模型，同时也可以进行产品展示。

本领域的技术人员可以对本发明进行各种改型和改变。因此，本发明覆盖了落入所附的权利要求书及其等同物的范围内的各种改型和改变。

Claims (4)

1.基于熵值法和灰色GM11模型预测房地产风险的方法，其特征是，包括如下步骤：

步骤1：房地产风险因子识别

采用德尔菲法进行房地产风险因子的判断，采集大量房地产与金融领域方面的专家对房地产市场风险因子的理解，综合各专家对每个风险因子的意见，结合统计学中的主成分分析，得到不同风险因子的权重，按照权重的大小确定影响房地产风险的主要因子；

步骤2：数据收集

根据步骤1得出的房地产风险因子，通过分析每个风险因子的内涵，收集各级指标数据；

数据收集采用计算机自动化收集；主要分成三层级：城市层级、区县层级和楼盘层级；

步骤3：房地产风险模型建立

通过步骤2 的数据收集，得到三个级别上的数据：城市级别数据、区县级别数据和楼盘数据，同时这些数据是与步骤1房地产市场风险因子相对应的，利用对于风险因子的识别，以及对应的数据建立不同级别上的风险度量模型；

1）城市级别房地产风险度量模型

通过对城市级别上的风险因子数据分析，不同风险因子对城市房地产风险级别的影响程度是不同的，不同风险因子的权重是不同的，本发明通过熵值法确定城市风险评级不同因子的权重大小；

2）区县级别房地产风险度量模型

通过对区县级别上的风险因子数据分析，得出不同风险因子对、区县房地产风险级别的影响程度是不同的，因此不同风险因子的权重是不同的，因此区县风险评级主要就是要解决不同因子的权重大小；对于区县房地产风险度量模型本发明采用的模型与城市房地产风险度量模型一致；

3）楼盘级别风险度量模型

通过对楼盘数据的收集，由于楼盘有价格数据，因此对于楼盘的风险评价本发明采用以下两种模型相结合的方法；

基于熵值法的数据楼盘风险度量模型；

基于灰色预测GM11模型预测的风险度量；

步骤4：房地产风险模型评估

对于步骤3得到的城市、区县和楼盘风险评级的结果，通过房地产不同领域的专家给出模型评估结果，对比分析，调整优化模型参数，使得结果与真实更加接近；

步骤5：房地产风险模型分布

对于步骤4的对风险模型评估完成后，发布风险评级的度量模型，同时进行产品展示。

2.根据权利要求1所述的基于熵值法和灰色GM11模型预测房地产风险的方法，其特征是：所述步骤1的具体实现过程包括，A1：采用德尔菲法分析房地产市场分析因子，即通过对房地产方面与金融领域的专家发放关于“房地产市场风险因子的问题”问卷（一般问卷不少于30份），征询各位专家意见，并统计相关数据；

A2：统计问卷数据，并采用统计学中的主成分分析（CPA），确定不同风险因子的权重，并采用加权平均法提取房地产市场风险因子；

A3：结合上述步骤A1与步骤A2结果，分析结果之间的差异，形成最终房地产市场风险因子体系。

3.根据权利要求1所述的基于熵值法和灰色GM11模型预测房地产风险的方法，其特征是：所述步骤3中通过熵值法确定城市风险评级不同因子的权重大小，具体操作是：

（1）选取n个城市样本，m个风险因子指标，则xij为第i个城市的第j个风险因子指标的数值；

（2）计算第j个指标下的第i个城市占该风险因子指标的权重

p_ij=xij/(sum_{i=1}^n(x_ij))

（3）计算第j个风险因子指标的熵值

e_j=-ksum_{i=1}^m(p_{ij})ln(pij)其中，k>0k=1/ln(n).e_j>=0

(4)计算第j项风险因子指标的差异系数，对于第j项风险因子指标，风险因子指标值的差异越大，对城市房地产风险评价的作用越大，熵值就越小；

定义差异系数：

g_i=（1-e_j）/(m-E_e)式中E_e=sum(e_j) 0=<g_j<=1 sum(g_j)=1

(5)求取风险因子的权重

w_j=g_j/sum(g_j)(1=<j<=m)

对风险因子指标的数据的非负数化处理：

X_ij=Xij-min(xij)/(max(xij)-min(xij)

因此，可以通过熵值法来计算不同城市级别上的房地产风险评级；

R=W1*F1+W2*F2+…+Wn*Fn

R:城市风险评分；

Wi:熵值法确定的风险因子权重；

Fi:风险因子值；

根据上述公式，可得到不同城市的风险评级分值，由于产品是对风险进行分档处理，可以利用风险评分数据分析，采用统计学中的简单描述统计分析可以不同风险等级的数值划分，从而对不同城市房地产市场风险进行分等定级。

4. 根据权利要求1所述的基于熵值法和灰色GM11模型预测房地产风险的方法，其特征是：所述步骤3中基于灰色预测GM11模型预测的风险度量，具体实现步骤：Ⅰ设某楼盘的价格时间序列有n年价格观察值（一般n>=4），，

通过楼盘价格累加生成新序列

，

则GM（1，1）模型相应的微分方程为：

其中：α称为发展灰数；μ称为内生控制灰数；

设为待估参数向量， ，可利用最小二乘法求解；

解得：

求解微分方程，即可得楼盘的价格预测模型：

，

Ⅱ 模型检验

灰色预测检验一般有残差检验、关联度检验和后验差检验；

Ⅲ 将通过检验模型，用来预测楼盘的价格，对于预测未来价格涨幅非常大的楼盘可以定义风险较低，而对于预测未来价格涨幅偏低或者价格下跌的楼盘可以定义风险较高。