基于ARMA模型的房地產(chǎn)銷售趨勢(shì)預(yù)測(cè)方法研究

鄧佳雯 陳繼紅

摘要：數(shù)據(jù)挖掘是指從大量的、客觀的、有噪聲的、隨機(jī)的數(shù)據(jù)中，通過(guò)算法提取隱含在其中的信息。隨著房地產(chǎn)行業(yè)的不斷發(fā)展，數(shù)據(jù)量越來(lái)越龐大，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于房地產(chǎn)行業(yè)，對(duì)銷售數(shù)據(jù)進(jìn)行處理和分析，從真正意義上體現(xiàn)數(shù)據(jù)的價(jià)值。本文以江蘇省某市房地產(chǎn)數(shù)據(jù)為案例進(jìn)行定量研究展示建模過(guò)程，基于ARMA模型并結(jié)合加權(quán)最小二乘法對(duì)模型進(jìn)行改進(jìn)。研究結(jié)果表明加權(quán)最小二乘法與ARMA模型的適應(yīng)性較好，且優(yōu)化模型在預(yù)測(cè)精度上有明顯的提高。旨在掌握行業(yè)目前所處態(tài)勢(shì)，并為房地產(chǎn)行業(yè)的開(kāi)發(fā)計(jì)劃和營(yíng)銷策略提供決策性指導(dǎo)。

關(guān)鍵詞：自回歸滑動(dòng)平均模型;加權(quán)最小二乘法;單位根檢驗(yàn);房地產(chǎn)銷售數(shù)據(jù);趨勢(shì)預(yù)測(cè)

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）19-0228-05

Abstract： Data mining refers to the extraction of implicit information from a large number of objective， noisy and random data through algorithms. With the continuous development of the real estate industry， the amount of data is getting larger and larger. The data mining technology is applied to the real estate industry to process and analyze the sales data， so as to truly reflect the value of data. In this paper， a real estate data of a city in jiangsu province is taken as a case to conduct a quantitative study to demonstrate the modeling process. The model is improved based on ARMA model and combined with weighted least square method. The result shows that the weighted least square method and ARMA model have good adaptability， and the optimization model has a significant improvement in the prediction accuracy. It aims to grasp the current situation of the industry and provide decision-making guidance for the development plan and marketing strategy of the real estate industry.

Key words： ARMA model; weighted least square estimate; ADF test;real estate sales data; trend prediction

國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，房地產(chǎn)行業(yè)在稅收中的占比基本保持在百分之十五左右，占國(guó)民生產(chǎn)總值的份額也呈逐年遞增態(tài)勢(shì)，在國(guó)民經(jīng)濟(jì)發(fā)展中的重要性不言而喻。隨著房地產(chǎn)行業(yè)的不斷發(fā)展，房地產(chǎn)行業(yè)數(shù)據(jù)量越來(lái)越龐大，由于技術(shù)手段的不足，傳統(tǒng)的數(shù)據(jù)處理方式不能對(duì)收集的數(shù)據(jù)進(jìn)行科學(xué)、有效地加工和處理，影響當(dāng)前數(shù)據(jù)分析以及未來(lái)數(shù)據(jù)趨勢(shì)的預(yù)測(cè)，致使決策失誤。眾所周知，隨著管理體制的不斷深化改革，作為典型的數(shù)據(jù)密集型行業(yè)，房地產(chǎn)行業(yè)的競(jìng)爭(zhēng)也越來(lái)越激烈。與其他行業(yè)相比，房地產(chǎn)行業(yè)負(fù)載著更多的數(shù)據(jù)。誰(shuí)能準(zhǔn)確地分析數(shù)據(jù)，誰(shuí)就能提供更好的服務(wù)，從而獲得更多的機(jī)會(huì)，在市場(chǎng)競(jìng)爭(zhēng)中取勝。房地產(chǎn)行業(yè)的分析樣本數(shù)據(jù)集來(lái)源于行業(yè)服務(wù)支撐系統(tǒng)，包括房源信息，開(kāi)發(fā)信息，銷售信息，賬務(wù)信息，客戶信息等，涵蓋了所有的業(yè)務(wù)信息。由于房地產(chǎn)行業(yè)的某些數(shù)據(jù)存在實(shí)時(shí)性和波動(dòng)性，如此海量的數(shù)據(jù)如果沒(méi)有得到有效的分析和處理，數(shù)據(jù)的價(jià)值將無(wú)法體現(xiàn)，因此亟需合理有效的預(yù)測(cè)手段。

1 房地產(chǎn)預(yù)測(cè)研究方法

文獻(xiàn)[1]中將馬爾科夫鏈的狀態(tài)轉(zhuǎn)移概率應(yīng)用到商品房?jī)r(jià)格預(yù)測(cè)中，在對(duì)2009 -2012年北京住房銷售數(shù)據(jù)進(jìn)行處理后，預(yù)測(cè)未來(lái)6個(gè)月的房?jī)r(jià)走勢(shì)。

文獻(xiàn)[2]通過(guò)建立VAR模型選取評(píng)價(jià)指標(biāo)對(duì)多倫多房?jī)r(jià)進(jìn)行預(yù)測(cè)，評(píng)價(jià)指標(biāo)主要有消費(fèi)價(jià)格指數(shù)、房?jī)r(jià)平均增幅的滯后三期、貸款利率等。

文獻(xiàn)[3]中分別用人工神經(jīng)網(wǎng)絡(luò)、Hedonic回歸模型對(duì)土耳其的房?jī)r(jià)進(jìn)行預(yù)測(cè)，對(duì)比結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果相對(duì)較好。

除此之外，張珊玉等人在灰色預(yù)測(cè)模型的基礎(chǔ)上加以改進(jìn)，對(duì)某地區(qū)房?jī)r(jià)進(jìn)行了預(yù)測(cè)，同時(shí)也證明了灰色預(yù)測(cè)模型在房地產(chǎn)行業(yè)的適用性。

申瑞娜、曹昶基于支持向量機(jī)模型建立預(yù)測(cè)模型，并結(jié)合主成份分析法預(yù)測(cè)了上海市房?jī)r(jià)，預(yù)測(cè)結(jié)果顯示采用該方法構(gòu)建的模型預(yù)測(cè)效果較好。

國(guó)內(nèi)外對(duì)房?jī)r(jià)預(yù)測(cè)的研究方法主要有人工神經(jīng)網(wǎng)絡(luò)、各類回歸模型以及灰色預(yù)測(cè)等，表1列舉了常用的預(yù)測(cè)方法，并進(jìn)行對(duì)比分析。

表1? 常見(jiàn)預(yù)測(cè)方法的比較分析

[方法名稱 適用情況 灰色模型 針對(duì)數(shù)據(jù)量少、信息貧乏且不確定性系統(tǒng)進(jìn)行預(yù)測(cè)分析 人工神經(jīng)網(wǎng)絡(luò)模型 以神經(jīng)元的數(shù)學(xué)模型為基礎(chǔ)表述，由網(wǎng)絡(luò)拓?fù)洹⒐?jié)點(diǎn)特點(diǎn)和學(xué)習(xí)規(guī)則來(lái)表示[4]，通過(guò)不斷調(diào)整自身權(quán)重反映輸入和輸出的映射關(guān)系，網(wǎng)絡(luò)適應(yīng)能力較強(qiáng)。 隨機(jī)理論模型 常用于分析不確定性問(wèn)題，主要包括隨機(jī)變量方法和隨機(jī)過(guò)程方法 支持向量回歸模型 通過(guò)假定預(yù)測(cè)，將數(shù)據(jù)分為兩部分，一部分用來(lái)建模，一部分用來(lái)檢驗(yàn) ARMA 基于時(shí)間序列分析，且時(shí)間序列是平穩(wěn)的。對(duì)異常變化值適應(yīng)性較強(qiáng)，精確度高數(shù)據(jù)量較大的情況下運(yùn)行速度很快。 ]

目前房地產(chǎn)數(shù)據(jù)在實(shí)際應(yīng)用中還存在著許多不足，主要表現(xiàn)在：一是研究數(shù)據(jù)源的格式不規(guī)范、存在大量數(shù)據(jù)噪聲，難以確保數(shù)據(jù)的準(zhǔn)確性;二是預(yù)測(cè)和分析技術(shù)要適應(yīng)市場(chǎng)的變化，常規(guī)的統(tǒng)計(jì)分析方法還遠(yuǎn)遠(yuǎn)不夠;三是預(yù)測(cè)維度單一，籠統(tǒng)地分析價(jià)格漲幅意義不大。

房地產(chǎn)行業(yè)數(shù)據(jù)預(yù)測(cè)有這兩個(gè)趨勢(shì)，一是將銷售數(shù)據(jù)看作一個(gè)時(shí)間數(shù)列，選用恰當(dāng)?shù)哪Ｐ蛯?duì)銷售趨勢(shì)進(jìn)行預(yù)測(cè);二是將房?jī)r(jià)影響因素建立指標(biāo)體系，從而構(gòu)建預(yù)測(cè)模型。文中采用第一種方式，結(jié)合模型適用情況和待預(yù)測(cè)數(shù)據(jù)特征，同時(shí)為了準(zhǔn)確地預(yù)測(cè)銷售趨勢(shì)，在經(jīng)過(guò)數(shù)據(jù)預(yù)處理操作的基礎(chǔ)上采用ARMA模型構(gòu)建計(jì)量經(jīng)濟(jì)學(xué)模型，以客觀真實(shí)的預(yù)測(cè)方法進(jìn)行多維度分析討論，排除外在環(huán)境、人口、經(jīng)濟(jì)發(fā)展、季節(jié)等周期性因素的影響，并以某市房地產(chǎn)實(shí)際銷售數(shù)據(jù)為實(shí)例進(jìn)行預(yù)測(cè)。本課題涉及的時(shí)間序列處理后經(jīng)檢驗(yàn)均具平穩(wěn)性。因此ARMA模型適用于房地產(chǎn)銷售趨勢(shì)預(yù)測(cè)，理論上預(yù)測(cè)精度較高。

2 ARMA模型

自回歸-移動(dòng)平均混合模型（Autoregressive moving average mode，簡(jiǎn)稱ARMA模型）是任何線性時(shí)間序列模型的理論方程式[5]，是一種常見(jiàn)的隨機(jī)時(shí)間序列模型，由自回歸模型和移動(dòng)平均模型組成的，是對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)的較為客觀科學(xué)的計(jì)量經(jīng)濟(jì)學(xué)方法之一[6]。

2.1 ARMA模型的基本思想

基于ARMA模型的房地產(chǎn)銷售趨勢(shì)預(yù)測(cè)的基本思想是：按時(shí)間順序?qū)⒎康禺a(chǎn)銷售變化數(shù)值視為隨機(jī)時(shí)間序列，其中待預(yù)測(cè)時(shí)間序列中第n個(gè)值不僅與第（n-1）個(gè)值存在關(guān)聯(lián)，且與前（n-1）個(gè)時(shí)刻也存在關(guān)聯(lián)，以此來(lái)預(yù)測(cè)第n個(gè)時(shí)刻的值[7]。只有預(yù)測(cè)對(duì)象為零均值的平穩(wěn)隨機(jī)時(shí)間序列，才可以使用ARMA建立預(yù)測(cè)模型。因此在建模之前，需要對(duì)時(shí)間序列進(jìn)行差分平穩(wěn)化和零均值處理。

參考文獻(xiàn)：

[1] 連星. 太原市商品住宅價(jià)格預(yù)測(cè)研究[D]. 太原：山西財(cái)經(jīng)大學(xué)， 2017.

[2] 劉揚(yáng). 哈爾濱市松北區(qū)商品住宅價(jià)格預(yù)測(cè)研究[D]. 哈爾濱：東北林業(yè)大學(xué)， 2016.

[3] 葉桂芳. 基于國(guó)房景氣指數(shù)的我國(guó)房地產(chǎn)市場(chǎng)發(fā)展趨勢(shì)研究[D]. 廣州：暨南大學(xué)， 2015.

[4] 和湘， 劉晟， 姜吉國(guó). 基于機(jī)器學(xué)習(xí)的入侵檢測(cè)方法對(duì)比研究[J]. 信息網(wǎng)絡(luò)安全， 2018， 209（05）：7-17.

[5] 章晨， 鄭循剛， 龔沁. 基于ARMA模型的我國(guó)房地產(chǎn)價(jià)格預(yù)測(cè)分析[J]. 生產(chǎn)力研究， 2012（2）：27.

[6] Paulo Teles，Paulo S. A. Sousa. The effect of temporal aggregation on the estimation accuracy of ARMA models[J]. Communications in Statistics - Simulation and Computation，2018，47（10）：2865-2885.

[7] 李瑞瑩， 康銳. 基于ARMA模型的故障率預(yù)測(cè)方法研究[J]. 系統(tǒng)工程與電子技術(shù)， 2008， 30（8）：1588-1591.

[8] 呂福琴. 基于自回歸和神經(jīng)網(wǎng)絡(luò)算法加權(quán)組合的負(fù)荷預(yù)測(cè)[J]. 廣東電力， 2011， 24（5）：69-72.

[9] 葉瑰昀， 羅耀華， 劉勇. 基于ARMA模型的電力系統(tǒng)負(fù)荷預(yù)測(cè)方法研究[J]. 信息技術(shù)， 2002（6）：74-76.

[10] Jongoh Nam，Seonghyun Sim. Forecast accuracy of abalone producer prices by shell size in the Republic of Korea： Modified Diebold–Mariano tests of selected autoregressive models[J]. Aquaculture Economics & Management，2018，22（4）：474-489.

[11] 趙彥艷. 隨機(jī)時(shí)間序列模型在煤炭?jī)r(jià)格預(yù)測(cè)中的應(yīng)用[D]. 濟(jì)南：山東大學(xué)， 2010.

[12] 張俊民. 基于特征融合的ARMA短時(shí)睡眠狀態(tài)分析研究[D]. 上海：華東理工大學(xué)， 2016.

[13] Wu X ， Kumar V ， Quinlan J R ， et al. Top 10 algorithms in data mining[J]. Knowledge and Information Systems， 2008， 14（1）：1-37.

[14] Berkhin P. A Survey of Clustering Data Mining Techniques[J]. Grouping Multidimensional Data， 2006， 43（1）：25-71.

[15] Rhodes D R， Yu J， Shanker K， et al. ONCOMINE： a cancer microarray database and integrated data-mining platform[J]. Neoplasia， 2004， 6（1）：1-6.

【通聯(lián)編輯：梁書】