CN111598334A - 一种地产行业周期识别方法、装置、系统、终端以及存储介质 - Google Patents
一种地产行业周期识别方法、装置、系统、终端以及存储介质 Download PDFInfo
- Publication number
- CN111598334A CN111598334A CN202010408934.4A CN202010408934A CN111598334A CN 111598334 A CN111598334 A CN 111598334A CN 202010408934 A CN202010408934 A CN 202010408934A CN 111598334 A CN111598334 A CN 111598334A
- Authority
- CN
- China
- Prior art keywords
- prediction result
- room price
- room
- index set
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 title claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000001932 seasonal effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000005312 nonlinear dynamic Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地产行业周期识别的技术领域,公开了一种地产行业周期识别方法、装置、系统、终端以及存储介质。其中该方法包括:收集目标区域历史的第一房价序列以及影响第一房价序列的第一宏观指标集;消除第一房价序列以及第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集;根据第二房价序列以及第二宏观指标集建立预测模型,并通过预测模型计算得到房价预测结果;根据房价预测结果预测房价走势。通过采用上述方法,可捕捉地产周期中的非线性、非对称结构,同时可定性识别当前地产行业环境所处的不同周期阶段,从而辅助从业人员快速认知目前阶段以及预判市场未来状态并作出相应的决策。
Description
技术领域
本发明涉及的地产行业周期识别技术领域,尤其是一种地产行业周期识别方法、装置、系统、终端以及存储介质。
背景技术
房地产周期是房地产经纪水平起伏波动、周期循环的经济现象。地产从业者往往需要对不同城市市场目前所处周期阶段进行快速、清晰的定性判断,并由此作为依据进行不同阶段下的资产配置、投资风险管理以及销售节点控制。目前,存在一些软件方法可辅助从业者判定房价处于上升阶段或者是下降阶段,
现有方法运用以宏观经济数据作为因子的线性回归算法来预测房价,例如申请号为201810578309.7的专利文件中介绍的房价预测方法;但是线性回归方法无法灵活捕捉非线性动态结构,如非对称性结构,在不同的经济周期阶段,宏观经济因子对房价的影响难以保持一致,难以用线性模型对房价趋势进行刻画。因此,如何有效捕捉地产周期中的非线性动态结构,同时可定性识别当前地产行业环境所处的不同周期阶段是急需解决的重要问题。
发明内容
本发明的目的在于提供一种地产行业周期识别方法、装置、系统、终端以及存储介质,旨在解决现有方法难以捕捉地产周期中的非线性动态结构的问题。
本发明是这样实现的,一种基于宏观经济及市场数据的地产行业周期识别方法,包括:
收集目标区域历史的第一房价序列以及影响所述第一房价序列的第一宏观指标集,其中,第一宏观指标集包括社会消费品零售总额、固定投资额、财政收入、人均总值、商品房销售面积、房地产开发投资额和城市基础建设中的任意一种或者多种;
消除所述第一房价序列以及所述第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集;
根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果;
根据所述房价预测结果预测房价走势。
一种可选的实施方式,所述根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果包括:
根据所述第二房价序列以及所述第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
根据所述宏观领先指标集以及第二房价序列建立第一数学模型,并通过所述第一数学模型计算得到第一预测结果,将所述第一预测结果作为所述房价预测结果。
一种可选的实施方式,所述根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果包括:
根据所述第二房价序列建立第二数学模型,并通过所述第二数学模型计算得到所述第二预测结果,将所述第二预测结果作为所述房价预测结果。
一种可选的实施方式,所述根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果包括:
根据所述第二房价序列以及所述第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
根据所述宏观领先指标集以及第二房价序列建立第一数学模型,并通过所述第一数学模型计算得到第一预测结果;
根据所述第二房价序列建立第二数学模型,并通过所述第二数学模型计算得到第二预测结果;
对比所述第一预测结果以及所述第二预测结果,选择较佳的预测结果作为所述房价预测结果。
一种可选的实施方式,所述对比所述第一预测结果以及所述第二预测结果,选择较佳的预测结果作为所述房价预测结果包括:
通过拟合优度、赤池信息准则以及自相关函数中的任意一种或多种计算所述第一预测结果以及所述第二预测结果;
根据计算结果判定所述第一预测结果以及所述第二预测结果的拟合程度,并选择拟合程度较佳的预测结果作为房价预测结果。
一种可选的实施方式,所述根据所述房价预测结果预测房价走势包括:
设置概率阈值;
根据所述概率阈值对所述房价预测结果进行划分,判断房价走势。
为了实现上述目的,本发明还提出一种地产行业周期识别装置,包括:
收集单元,用于收集目标区域历史的第一房价序列以及影响所述第一房价序列的第一宏观指标集,其中,第一宏观指标集包括社会消费品零售总额、固定投资额、财政收入、人均总值、商品房销售面积、房地产开发投资额和城市基础建设中的任意一种或者多种;
季节性过滤单元,用于消除所述第一房价序列以及所述第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集;
筛选单元,用于根据所述第二房价序列以及所述第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
第一处理单元,用于根据所述宏观领先指标集以及第二房价序列建立第一数学模型,并通过所述第一数学模型计算得到所述第一预测结果;
第二处理单元,用于根据所述第二房价序列建立第二数学模型,并通过所述第二数学模型计算得到所述第二预测结果;
对比单元,用于对比所述第一预测结果以及所述第二预测结果,选择较佳的预测结果作为所述房价预测结果。
预测单元,用于根据所述房价预测结果预测房价走势。
此外,为了实现上述目的,本发明还提出一种终端,所述终端包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述地产行业周期识别方法的步骤。
此外,为了实现上述目的,本发明还提出一种地产行业周期识别系统,包括如上所述的终端以及控制设备,所述终端与所述控制设备通讯连接,所述控制设备包括后台服务器,所述控制设备用于向所述终端发出执行指令以使所述终端实现如上所述的地产行业周期识别方法。
此外,为了实现上述目的,本发明还提出一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的地产行业周期识别方法的步骤。
与现有技术相比,本发明提供的一种地产行业周期识别方法,先收集目标区域第一房价序列以及第一宏观指标集,再消除第一房价序列以及第一宏观指标集中季节性的影响以得到第二房价序列以及第二宏观指标集,然后基于第二房价序列以及第二宏观指标集建立并计算预测模型,得到预测结果,最后根据预测结果预测房价走势;通过采用上述方法,可捕捉地产周期中的非线性、非对称结构,同时可定性识别当前地产行业环境所处的不同周期阶段,从而辅助从业人员、行业监管人员或政策制定者解释历史周期阶段,快速认知目前阶段以及预判市场未来状态并作出相应的决策。
附图说明
图1是本发明实施例提供的地产行业周期识别方法第一实施例的流程图;
图2是本发明实施例提供的地产行业周期识别方法第二实施例的流程图;
图3是本发明实施例提供的地产行业周期识别方法第三实施例的流程图;
图4是本发明实施例提供的地产行业周期识别方法第四实施例的流程图;
图5是本发明实施例提供的地产行业周期识别方法第五实施例的流程图;
图6是本发明实施例提供的地产行业周期识别方法第六实施例的流程图;
图7是本发明实施例提供的地产行业周期识别装置的结构图;
图8是本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为根据附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
以下结合具体实施例对本发明的实现进行详细的描述。
图1出示了本发明第一实施例提供的地产行业周期识别方法的流程示意图,一下参考图1对本发明第一实施例进行详细的说明。
一种基于宏观经济及市场数据的地产行业周期识别方法,该方法包括步骤S100、步骤S200、步骤S300以及步骤S400;
S100:收集目标区域历史的第一房价序列以及影响第一房价序列的第一宏观指标集,其中,第一宏观指标集包括社会消费品零售总额、固定投资额、财政收入、人均总值、商品房销售面积、房地产开发投资额和城市基础建设中的任意一种或者多种。
需要说明的是,第一房价序列指的是某一段时间内房价数据的集合,具体可以是某一年内每个月平均房价的集合,也可以是某一年内每个季度平均房价的集合;第一宏观指标集体现的是当地的经济情况,第一宏观指标集对于宏观经济调控起着重要的分析和参考作用;本实施例主要用于将第一房价序列以及第一宏观指标集建立联系,以便于得出二者之间的关系。需要补充的是,收集第一房价序列和第一宏观指标集的方法具有多种,比如可以将外部数据导入内部的数据库内,在本实施例中,不对收集的方法进行限定。
S200:消除第一房价序列以及第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集。
需要说明的是,季节性影响指的是第一房价序列或第一宏观指标集在不同季节有着不同的表现,比如说饮料在夏季销量比冬季高,羽绒服冬季的销量比夏季高,因此无法对比饮料以及羽绒服在相同时间段内的销量。消除季节性影响有两种方式,一个消除季节性对于第一房价序列的增幅,二是对第一房价序列进行同比增幅;本实施例中,采用X12-ARIMA模型剔除季节性影响。ARIMA模型(英语:Autoregressive Integrated MovingAverage model),称差分整合移动平均自回归模型,又称整合移动平均自回归模型,是时间序列预测分析方法之一。需要补充的是,ARIMA模型属于现有技术。
S300:根据第二房价序列以及第二宏观指标集建立预测模型,并通过预测模型计算得到房价预测结果。
需要说明的是,本实施例中的预测模型可基于多种模型建立,本实施例对此不作限制,再对计算所得的模型,计算出房价上升或是下降的概率估计值。
S400:根据房价预测结果预测房价走势。
需要说明的是,步骤S300所得的概率估计值在0~1之间,若所得的判定房价上升的概率估计值接近于1,则未来房价上涨的概率越大,反之越小。
上述提供的一种地产行业周期识别方法,先收集目标区域第一房价序列以及第一宏观指标集,再消除第一房价序列以及第一宏观指标集中季节性的影响以得到第二房价序列以及第二宏观指标集,然后基于第二房价序列以及第二宏观指标集建立并计算预测模型,得到预测结果,最后根据预测结果预测房价走势;通过采用上述方法,可捕捉地产周期中的非线性、非对称结构,同时可定性识别当前地产行业环境所处的不同周期阶段,从而辅助从业人员、行业监管人员或政策制定者解释历史周期阶段,快速认知目前阶段以及预判市场未来状态并作出相应的决策。
基于本发明提供的第一实施例,提出本发明第二实施例,图2示出了本发明第二实施例提供的地产行业周期识别方法的流程示意图,下面参阅图2对本发明第二实施例提供的地产行业周期识别方法做进一步地说明。
步骤S300还包括步骤S310以及步骤S320:
S310:根据第二房价序列以及第二宏观指标集,筛选出可用于预测房价的宏观领先指标集。
需要说明的是,第二宏观指标集中存在着可用于预测房价的数据集,当某一时刻的该数据发生变化时,在相对这一时刻的未来一段时间内,房价作出相应的变化,扩张或者是下降;这一数据集称为宏观领先指标集,而中间这段时间称为最佳滞后期。以下是筛选宏观领先指标集的方法。
对任意城市,存在房价时间序列向量pt,时间序列向量指标集Vt,Vt为第二宏观指标集。
截取有限样本,t∈{0,T},
对滞后期l=1,2....T-2,计算第二宏观指标集中各指标对房价序列的互相关系数:
其中,xt∈VT,yt=pt。
对每一个xt∈Vt存在:
则设l0为此指标对应最佳滞后期数,m1,m2为滞后期数取值约束范围。
对所有xt∈Vt存在:
则xt0为该城市房价宏观领先指标,其对应的l0为该指标最佳滞后期数。
S320:根据宏观领先指标集以及第二房价序列建立第一数学模型,并通过第一数学模型计算得到第一预测结果,将第一预测结果作为房价预测结果。
需要说明的是,本实施例中,第一数学模型为时变-马尔科夫概率转移模型,马尔科夫概率转移模型指的是运用马尔科夫预测法对房价走势进行预测所得的概率的集合,时变指的是因变量随时间而改变;以下是时间-马尔科夫概率转移模型的建立及计算过程。
假设经济仅有两种状态,扩张状态以及衰退状态;
上列等式为经济处于扩张状态,下列等式为经济处于衰退状态。
其中,Φ(L)=φ1+φ2L+......+φrLr-1是滞后算子多项式,
其中,et~N(0,σ2),St∈{1,2},
假设状态转移概率由外生经济指标决定,并随时间发生变化。
设时变概率转移矩阵为:
其中,假设转移概率与外生经济指标xt-k关系具有逻辑斯蒂函数形式:
其中,最佳领先指标xt0可作为外生经济指标候选指标,其对应的最佳滞后期数l0可作为k值候选指标:
模型条件联合概率密度为:
Prob(St=st|St-1=st-1,xt)Prob(St-1=st-1,...St-r
=st-r|yt-1,...yt-r,xt-1)
则对应对数似然函数为:
其中,θ为参数向量。
最大化对数似然函数可得到θ参数估计量。
基于本发明提供的第一实施例,提出本发明第三实施例,图3示出了本发明第三实施例提供的地产行业周期识别方法的流程示意图,下面参阅图3对本发明第三实施例提供的地产行业周期识别方法做进一步地说明。
步骤S300包括步骤S330。
S330:根据第二房价序列建立第二数学模型,并通过第二数学模型计算得到第二预测结果,将第二预测结果作为房价预测结果。
需要说明的是,本实施例中,第二数学模型为非时变-马尔科夫概率转移模型,马尔科夫概率转移模型指的是运用马尔科夫预测法对房价走势进行预测所得的概率的集合,非时变指的是因变量随时间而改变;以下是非时间-马尔科夫概率转移模型的建立及计算过程。
假设无法观测到经济周期阶段或状态转换,则服从一阶马尔科夫链形式:
则由t-1时刻的经济状态i转换为t时刻状态j的概率为:
Prob(st=j|st-1=i)=pij
假设经济状态仅有两种状态,扩张状态和衰退状态,则存在状态转移矩阵描述各状态间转换概率:
其中p12=1-p11,p21=1-p22
若房价增长率观测数据服从正态条件分布:
观测值似然函数可用迭代方式获取:
ξT|T-1,s=f(st=s|y1,...yT-1),
ξt|t-1=p'ξt-1|t-1,为对未来状态的概率预测
同时,设置初始概率:
参数估计为最大似然估计量:
参考本发明提供的第一实施例,提出本发明第四实施例,图4示出了本发明第四实施例提供的地产行业周期识别方法的流程示意图,下面参阅图4对本发明第四实施例提供的地产行业周期识别方法做进一步地说明。
步骤S300包括步骤S340、步骤S350、步骤S360以及步骤S370。
S340:根据第二房价序列以及第二宏观指标集,筛选出可用于预测房价的宏观领先指标集。
需要说明的是,第二宏观指标集中存在着可用于预测房价的数据集,当某一时刻的该数据发生变化时,在相对这一时刻的未来一段时间内,房价作出相应的变化,扩张或者是下降;这一数据集称为宏观领先指标集,而中间这段时间称为最佳滞后期。以下是筛选宏观领先指标集的方法。
对任意城市,存在房价时间序列向量pt,时间序列向量指标集Vt,Vt为第二宏观指标集。
截取有限样本,t∈{0,T},
对滞后期l=1,2....T-2,计算第二宏观指标集中各指标对房价序列的互相关系数:
其中,xt∈VT,yt=pt。
对每一个xt∈Vt存在:
则设l0为此指标对应最佳滞后期数,m1,m2为滞后期数取值约束范围。
对所有xt∈Vt存在:
则xt0为该城市房价宏观领先指标,其对应的l0为该指标最佳滞后期数。
S350:根据宏观领先指标集以及第二房价序列建立第一数学模型,并通过第一数学模型计算得到第一预测结果。
需要说明的是,本实施例中,第一数学模型为时变-马尔科夫概率转移模型,马尔科夫概率转移模型指的是运用马尔科夫预测法对房价走势进行预测所得的概率的集合,时变指的是因变量随时间而改变;以下是时间-马尔科夫概率转移模型的建立及计算过程。
假设经济仅有两种状态,扩张状态以及衰退状态;
上列等式为经济处于扩张状态,下列等式为经济处于衰退状态。
其中,Φ(L)=φ1+φ2L+......+φrLr-1是滞后算子多项式,
其中,et~N(0,σ2),St∈{1,2},
假设状态转移概率由外生经济指标决定,并随时间发生变化。
设时变概率转移矩阵为:
其中,假设转移概率与外生经济指标xt-k关系具有逻辑斯蒂函数形式:
其中,最佳领先指标xt0可作为外生经济指标候选指标,其对应的最佳滞后期数l0可作为k值候选指标:
模型条件联合概率密度为:
Prob(St=st|St-1=st-1,xt)Prob(St-1=st-1,...St-r
=st-r|yt-1,...yt-r,xt-1)
则对应对数似然函数为:
其中,θ为参数向量。
最大化对数似然函数可得到θ参数估计量。
S360:根据第二房价序列建立第二数学模型,并通过第二数学模型计算得到第二预测结果,将第二预测结果作为房价预测结果。
需要说明的是,本实施例中,第二数学模型为非时变-马尔科夫概率转移模型,马尔科夫概率转移模型指的是运用马尔科夫预测法对房价走势进行预测所得的概率的集合,非时变指的是因变量随时间而改变;以下是非时间-马尔科夫概率转移模型的建立及计算过程。
假设无法观测到经济周期阶段或状态转换,则服从一阶马尔科夫链形式:
则由t-1时刻的经济状态i转换为t时刻状态j的概率为:
Prob(st=j|st-1=i)=pij
假设经济状态仅有两种状态,扩张状态和衰退状态,则存在状态转移矩阵描述各状态间转换概率:
其中p12=1-p11,p21=1-p22
若房价增长率观测数据服从正态条件分布:
观测值似然函数可用迭代方式获取:
ξT|T-1,s=f(st=s|y1,...yT-1),
ξt|t-1=p'ξt-1|t-1,为对未来状态的概率预测
同时,设置初始概率:
参数估计为最大似然估计量:
S370:对比第一预测结果以及第二预测结果,选择较佳的预测结果作为房价预测结果。
需要说明的是,第一数学模型以及第二数学模型的预测结果与实际值都会存在偏差,将两组模型进行对比,以选择最为接近实际值的预测模型,这样以提高判断房价阶段的准确率。
基于本发明提供的第四实施例,提出本发明第五实施例,图5示出了本发明第五实施例提供的地产行业周期识别方法的流程示意图,下面参阅图5对本发明第五实施例提供的地产行业周期识别方法做进一步地说明。
步骤S370还包括步骤S371以及步骤372:
S371:通过拟合优度、赤池信息准则以及自相关函数中的任意一种或多种计算第一预测结果以及第二预测结果。
需要说明的是,拟合优度(Goodness of Fit)是指回归直线对观测值的拟合程度,主要用于判定系数和回归标准差;赤池信息准则,即AIC信息准则(Akaike informationcriterion),是衡量统计模型拟合优良性(Goodness of fit)的一种标准,它建立在熵的概念基础上,可以权衡所估计模型的复杂度和此模型拟合数据的优良性;自相关函数(ACF),在统计学上,自相关被定义为,两个随机过程中不同时刻的数值之间的皮尔森相关(Pearson correlation),主要用于分析随机过程以及识别模型。
S372:根据计算结果判定第一预测结果以及第二预测结果的拟合程度,并选择拟合程度较佳的预测结果。
需要说明的是,以拟合优度作为判断工具,若R2接近1,则拟合程度越好,反之拟合程度越差;以赤池信息准则为判断工具,选择ACI数值较小的预测结果;以自相关函数为判断工具时,选择滞后阶数不显著的预测结果。
基于本发明提供的第五实施例,提出本发明第六实施例,图6示出了本发明第六实施例提供的地产行业周期识别方法的流程示意图,下面参阅图6对本发明第六实施例提供的地产行业周期识别方法做进一步地说明。
步骤S400还包括步骤S410以及步骤S420;
步骤S410:设置概率阈值。
需要说明的是,概率阈值即为概率临界值,在本实施例中,以0.5为概率阈值。
步骤S420:根据概率阈值对预测结果进行划分,判断房价走势。
具体地,所得的预测结果为概率估计值的集合,当概率估计值高于0.5时,则判定房价处于扩张阶段,反之,则判定房价处于衰退状态。
请参阅图7,图7提供了本发明实施例提供的一种地产行业周期识别装置的结构示意性框图,本申请的实施例提供的地产行业周期识别装置,可以配置于终端或服务器中,用于执行前述的地产行业周期识别方法。该地产行业周期识别装置包括:
收集单元,用于收集目标区域历史的第一房价序列以及影响第一房价序列的第一宏观指标集,其中,第一宏观指标集包括社会消费品零售总额、固定投资额、财政收入、人均总值、商品房销售面积、房地产开发投资额和城市基础建设中的任意一种或者多种;
季节性过滤单元,用于消除第一房价序列以及第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集;
筛选单元,用于根据第二房价序列以及第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
第一处理单元,用于根据宏观领先指标集以及第二房价序列建立第一数学模型,并通过第一数学模型计算得到第一预测结果;
第二处理单元,用于根据第二房价序列建立第二数学模型,并通过第二数学模型计算得到第二预测结果;
对比单元,用于对比第一预测结果以及第二预测结果,选择较佳的预测结果作为房价预测结果
预测单元,用于根据房价预测结果预测房价走势。
需要说明的是,通过前述的地产行业周期识别方法,本领域技术人员可清楚了解到本实施例提供的地产行业周期识别装置,为了方便和简洁,上述单元以及装置的具体工作过程,可参考前述方法实施例中对应的过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在计算机设备上运行。
该计算机设备可以是服务器或终端。请参阅图8,图8是本发明实施例提供的一种终端的结构示意性框图。其中,本发明实施例提供的一种终端,包括通过系统总线连接的处理器、存储器和网络接口。
存储器用于存储计算机程序;存储器可以包括非易失性存储介质和内存储器。
处理器,用于执行计算机程序并在执行计算机程序时实现如上的地产行业周期识别方法的步骤。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行上述任意一种终端用户的安全管控方法;内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行上述任意一种终端用户的安全管控方法。
网络接口,用于进行网络通信,如发送分配的任务等;其可选有线接口或者无线接口。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的实施例中还提供一种地产行业周期识别系统,包括上述的终端以及控制设备,终端与控制设备通讯连接,控制设备包括后台服务器,控制设备用于向终端发出执行指令以使终端实现如上所介绍的地产行业周期识别方法。
本申请的实施例中还提供一种可读存储介质,可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述所介绍的地产行业周期识别方法的步骤。
其中,计算机可读存储介质可以是前述实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于宏观经济及市场数据的地产行业周期识别方法,其特征在于,包括:
收集目标区域历史的第一房价序列以及影响所述第一房价序列的第一宏观指标集,其中,第一宏观指标集包括社会消费品零售总额、固定投资额、财政收入、人均总值、商品房销售面积、房地产开发投资额和城市基础建设中的任意一种或者多种;
消除所述第一房价序列以及所述第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集;
根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果;
根据所述房价预测结果预测房价走势。
2.如权利要求1所述的一种地产行业周期识别方法,其特征在于,所述根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果包括:
根据所述第二房价序列以及所述第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
根据所述宏观领先指标集以及第二房价序列建立第一数学模型,并通过所述第一数学模型计算得到第一预测结果,将所述第一预测结果作为所述房价预测结果。
3.如权利要求1所述的一种地产行业周期识别方法,其特征在于,所述根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果包括:
根据所述第二房价序列建立第二数学模型,并通过所述第二数学模型计算得到第二预测结果,将所述第二预测结果作为所述房价预测结果。
4.如权利要求1所述的一种地产行业周期识别方法,其特征在于,所述根据所述第二房价序列以及所述第二宏观指标集建立预测模型,并通过所述预测模型计算得到房价预测结果包括:
根据所述第二房价序列以及所述第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
根据所述宏观领先指标集以及第二房价序列建立第一数学模型,并通过所述第一数学模型计算得到第一预测结果;
根据所述第二房价序列建立第二数学模型,并通过所述第二数学模型计算得到第二预测结果;
对比所述第一预测结果以及所述第二预测结果,选择较佳的预测结果作为所述房价预测结果。
5.如权利要求4所述的一种地产行业周期识别方法,其特征在于,所述对比所述第一预测结果以及所述第二预测结果,选择较佳的预测结果作为所述房价预测结果包括:
通过拟合优度、赤池信息准则以及自相关函数中的任意一种或多种计算所述第一预测结果以及所述第二预测结果;
根据计算结果判定所述第一预测结果以及所述第二预测结果的拟合程度,并选择拟合程度较佳的预测结果作为房价预测结果。
6.如权利要求1-5任意一项所述的一种地产行业周期识别方法,其特征在于,所述根据所述房价预测结果预测房价走势包括:
设置概率阈值;
根据所述概率阈值对所述房价预测结果进行划分,判断房价走势。
7.一种地产行业周期识别装置,其特征在于,包括:
收集单元,用于收集目标区域历史的第一房价序列以及影响所述第一房价序列的第一宏观指标集,其中,第一宏观指标集包括社会消费品零售总额、固定投资额、财政收入、人均总值、商品房销售面积、房地产开发投资额和城市基础建设中的任意一种或者多种;
季节性过滤单元,用于消除所述第一房价序列以及所述第一宏观指标集中的季节性的影响,得到第二房价序列以及第二宏观指标集;
筛选单元,用于根据所述第二房价序列以及所述第二宏观指标集,筛选出可用于预测房价的宏观领先指标集;
第一处理单元,用于根据所述宏观领先指标集以及第二房价序列建立第一数学模型,并通过所述第一数学模型计算得到第一预测结果;
第二处理单元,用于根据所述第二房价序列建立第二数学模型,并通过所述第二数学模型计算得到第二预测结果;
对比单元,用于对比所述第一预测结果以及所述第二预测结果,选择较佳的预测结果作为所述房价预测结果。
预测单元,用于根据所述房价预测结果预测房价走势。
8.一种终端,其特征在于,所述终端包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6中任意一项所述的地产行业周期识别方法的步骤。
9.一种地产行业周期识别系统,其特征在于,包括如权利要求8所述的终端以及控制设备,所述终端与所述控制设备通讯连接,所述控制设备包括后台服务器,所述控制设备用于向所述终端发出执行指令以使所述终端实现如权利要求1-6任意一项所述的地产行业周期识别方法。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的地产行业周期识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408934.4A CN111598334A (zh) | 2020-05-14 | 2020-05-14 | 一种地产行业周期识别方法、装置、系统、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408934.4A CN111598334A (zh) | 2020-05-14 | 2020-05-14 | 一种地产行业周期识别方法、装置、系统、终端以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598334A true CN111598334A (zh) | 2020-08-28 |
Family
ID=72188982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408934.4A Pending CN111598334A (zh) | 2020-05-14 | 2020-05-14 | 一种地产行业周期识别方法、装置、系统、终端以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598334A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227219A1 (zh) * | 2021-04-30 | 2022-11-03 | 平安科技(深圳)有限公司 | 房产指数数据分析方法、装置、设备及存储介质 |
-
2020
- 2020-05-14 CN CN202010408934.4A patent/CN111598334A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227219A1 (zh) * | 2021-04-30 | 2022-11-03 | 平安科技(深圳)有限公司 | 房产指数数据分析方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
Sharma et al. | Survey of stock market prediction using machine learning approach | |
US11521221B2 (en) | Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks | |
WO2019196545A1 (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
Giannetti et al. | Risk based uncertainty quantification to improve robustness of manufacturing operations | |
WO2019196552A1 (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
WO2017133615A1 (zh) | 一种业务参数获取方法及装置 | |
Ala’raj et al. | Modelling customers credit card behaviour using bidirectional LSTM neural networks | |
US11514369B2 (en) | Systems and methods for machine learning model interpretation | |
CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111598334A (zh) | 一种地产行业周期识别方法、装置、系统、终端以及存储介质 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
Ahmed et al. | Enhancing stock portfolios for enterprise management and investment in energy industry | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
Cheng et al. | A quarterly time-series classifier based on a reduced-dimension generated rules method for identifying financial distress | |
CN114037518A (zh) | 风险预测模型的构建方法、装置、电子设备和存储介质 | |
CN111861493B (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN114219630A (zh) | 服务风险预测方法、装置、设备及介质 | |
Wang et al. | Carbon trading price forecasting in digitalization social change era using an explainable machine learning approach: The case of China as emerging country evidence | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN114385121A (zh) | 一种基于业务分层的软件设计建模方法及系统 | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
JP2023506739A (ja) | 機械学習を用いたマージンコールの要因を検出するための方法及びシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |