房地产价格指数研究现状与前景

全面考察了现阶段国内外编制房地产价格指数常用的四种指数理论,并对这四种理论的优缺点进行了对比。从全国和各地方房地产价格指数中挑选比较有影响的中房指数和全国70个大中城市房地产价格指数作为研究的对象。从指数内容、数据来源和指数计算模型三个方面对两种房地产价格指数进行比较。在以上研究的基础上,探索构建云南省房地产价格指数系统及编制方法。

GM(1.1)模型在房地产价格指数预测中的应用

本文简要介绍了灰色预测方法ＧＭ（１．１）模型的构造与模型检验。利用１９９８年１～６月中国房地产北京指数建立了北京市房地产价格指数预测模型。经模型检验，该模型预测，精度等级为一级，预测模型可靠。

编制城市房地产价格指数的理论模型和实用方法

在房地产市场中 ,房地产价格指数对于投资者、消费者和政府来说都是一种很重要的市场信息。本文对国外流行的各种编制房地产价格指数的理论模型进行了讨论。提出了一个好的房地产价格指数计算方法应满足的条件 ,分析了目前我国各城市房地产价格指数编制过程中所存在的问题 ,并且提出了改进我国城市房地产价格指数编制工作的建议。

中国房地产价格指数的模拟和预测

Recently it has been a very serious problem to forecast the trend of real estate price index.Although the government has launched several policies to control it,it seems that they don’t work.So whether the real estate price Index can be efficiently forecastedThis paper provides an empirical analysis using a series of statistical models,builds up a leading indicators system,and gives a perfect simulation and forecast.

基于灰色理论的中国房地产价格指数预测

本文简要介绍了灰色预测方法GM(1,1)模型的构造与模型的检验。利用1999-2004年中国房地产价格指数建立了中国房地产价格指数预测模型。模型预测结果良好,能够较真实反映中国房屋价格的动态变化趋势,从而为预测中房指数提供科学依据。

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。

基于灰色理论和BP神经网络的房地产价格指数预测

房地产价格指数反映房地产市场价格波动的方向和趋势,是有效地进行房地产市场分析的一种必要工具,对其的预测直接影响到众多干系人的决策,关系到各干系人的切身利益,因而对预测结果的精确度要求很高。本文运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,以Matlab为工具,对房地产价格指数进行预测。此组合模型融合了灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。并且,以中国房地产价格指数为例进行预测,结果证明了该组合模型的优势,为房地产价格指数预测研究提供参考依据。

特征价格法在房地产价格指数中的应用

特征价格法(Hedonic method)是将房地产价格变动中的质量特征因素进行分解,以显现出各项特征的隐含价格。并从价格的总变动中逐项剔除质量特征变动的影响,达到仅仅反映纯价格变动的目的。本文通过双重Imputation过程估计缺失价格和剔除异常值的影响,解决了可比性问题,并增强了Hedonic模型的稳定性。

小波神经网络在房地产价格指数预测中的应用

随着房地产价格指数的作用充分显现,探求预测房地产价格指数的有效方法是需深入研究的方向。该文以中房上海住宅价格指数为例,首先对房地产价格指数序列性质进行分析,表明房地产价格指数是具有非线性特征的非平稳时间序列。采用小波神经网络对房地产价格指数进行预测,并将预测结果与指数平滑法和RBF神经网络预测做了对比。采用MATLAB对拟合和预测过程进行仿真。结果指标表明,在大样本数据的情况下,采用小波神经网络对房地产指数进行预测能够获得较好的效果。

房地产价格指数波动及其实证检验

文章选用面板数据非线性平滑转移模型捕捉房地产价格指数模型的机制变化情况,并探讨这种机制变化与房地产调控政策之间的联动效应。结果表明:(1)9类房地产价格指数模型均存在非线性,且它们发生机制变化的次数和时间有所不同。(2)在房价调控政策的冲击下,大、中、小户型新建商品住宅价格指数、二手住宅价格指数和总价格指数表现出不同的波动特征。(3)从房价指数模型的机制变动中发现房控政策只能短期发生效力,短期降低了人们关于房价的预期程度后,通过累积效应最终抑制不住人们关于房价的强烈预期。

国内外房地产价格指数及其研究现状探析

房地产价格指数是反映房地产价格变动趋势和变动程度的相对数,通过百分数的形式来反映房价在不同时期的涨跌幅度。文章对房地产价格指数编制及其国内外房地产价格指数现状进行探析,分别阐述了国外主要的房地产价格指数及其编制方法,介绍了国内主要的房地产价格指数,并从不同角度对比分析了国内外房地产价格指数,最后,指出了编制我国房地产价格指数的趋势,以寻求适合我国国情的房地产价格指数编制的基本技术路线。

地产价格指数研究

阐述了地产价格指数的特点和用途以及海内外编制地产价格指数的基本方法。提出了建立我国地产价格指数的设想：包括正确确立地产价格指数的种类。

基于ARMA模型的房地产价格指数预测

本文简要介绍了ARMA模型的理论知识,并针对1998年1季度到2006年3季度的房地产价格指数的季度数据进行了实证分析,然后运用所建模型对2006年四季度以及2007年一季度的房地产价格指数做了预测,并给出精度误差值,收到了很好的效果,所以模型具有一定的参考价值。

中国房地产价格指数的灰色预测研究

以MATLAB为工具,选取房屋销售价格指数SI来反映房地产价格指数的整体性波动,建立我国房地产价格指数GM(1,1)灰色系统预测模型,并使用后验差检验方法进行精度等级检验,方差比=0.00524<0.35,小误差概率=1,预测精度等级为好;运用该模型对1999—2007年数据进行预测,相对误差<0.0382,并对2008、2009年我国房地产价格指数进行预测,结果分别为109.04和109.93。预测结果表明,中国房屋价格指数保持持续上升的趋势。

中国房地产价格指数期货的设计与定价研究

本文以中国房地产指数系统(CREIS)中的新房价格指数作为标的,以"推出中国首支迷你型指数期货"为设计思想,设计出中房指数期货合约,并运用F abozzi(2012)提出的房地产价格指数期货定价模型对设计的期货合约进行定价,进一步给出了定价模型参数的极大似然(ML)估计方法。采用北京、上海、广州、深圳的房地产价格指数数据进行实证研究,结果表明:四个城市中,深圳的房地产价格波动最大,其次依次为北京、广州和上海;上海房地产市场对市场造成的价格冲击恢复能力最强,其次依次为深圳、北京和广州。最后,将估计的模型参数代入期货定价方程,得到了中房指数期货的理论价格。

我国城市房地产价格指数构建方法研究

本文通过对特征价格模型的深入研究,结合多种价格指数编制方法优点与我国房地产市场的现实,提出当前国内城市房地产价格指数的构建方法:以加权平均法为主要形式,吸收特征价格法的基本思想对加权平均法进行改进,剔除干扰因素,使编制出的价格指数能更好地反映房地产市场供求关系的变化。

试析房地产价格指数的偏差与完善

由于房地产市场的特殊性,现行按"拉氏指数"理论计算的全国70个大中城市房地产价格指数,存在着个体与总体、价格采集、样本代表性、计算模型等四方面的偏差。本文认为:需通过完善价格采集方式和指数信息公布制度,采用混合模型纠正指数偏差,从而实现房价指数的真实性和适用性。

改进BP神经网络在预测房地产价格指数中的应用

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型,采用BP人工神经网络的改进算法,建立了基于BP神经网络的房地产价格指数预测模型。结果表明:该模型预测精度较高,能较好地反映房地产价格指数内在变化规律。

土地市场与房地产价格指数的理论模型和实用方法

结合国外在编制土地市场和房地产价格指数的实践,文章对特征价格法、重复销售法、混合模型法以及销售价格评估法这四类常用的指标编制方法进行了对比分析。同时,通过对现阶段我国主要城市建筑土地市场和房地产价格指数的考察,发现:我国的这两类价格指数都过于单一,在数据资料、编制方法、样本选取和指标用途等方面都存在较大的问题,应在大中型城市土地和房地产价格指数编制中试点应用特征价格指数法、重复销售、混合模型法以及销售价格评估法。

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。