住宅市场预测模型研究

发布时间：2020-07-02 18:37

【摘要】： 作为我国国民经济的主要产业,房地产的异常波动常常会牵动整个国家的经济命脉,更深入影响每个老百姓的家庭,所以,对房地产,特别是住宅市场的信息收集与预测系统成了为政府,业界以及学界关注的重点,其中预测系统的建立是关键,因此,有效利用数理统计建立更为一般,更为全面,更为有效的预测系统是必需的,而ARIMA模型是比较常用的金融时间序列理论,其主要研究各个经济变量自身的数量关系,住宅市场数据有同样有符合ARIMA模型的特征,因此利用ARIMA模型拟合是比较可信的。 本论文选用的研究对象主要有以下住宅指标:上海、北京、广州、深圳四市的新房成交量,全国房屋销售价格水平同比指数与环比指数,上海、北京的居住土地出让面积及成交金额。利用混合自回归-移动平均(ARIMA)模型作为理论依据对上述研究对象建模分析,并结合Bayes理论的先验概率、后验概率、似然法对模型进行修正,最终得到在不考虑政府行为性的前提下的预测模型,通过对残差的平稳性与随机性判断来确定拟合效果,并对未来20年的新房交易量、新房房价等给出预测。 本文首先阐述了国内外的研究现状以及常用模型,并对已有模型做出归纳与总结,找出各种方法的优缺点;然后对原始数据做修正,同时阐述ARIMA模型理论,Bayes修正理论,并利用这些建模理论对修正后的数据建立预测模型,对未来20年的相关指标给出预测结果。最后是论文的结论部分。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：F293.3
【图文】：

资和通过人口、收入、CPI 本面变量影响影响居住成力成本、财城市经济发展住宅市场图 2-1 住宅市场与城市经济相互作用关系[25]整滞后对经济形式的波动敏感度较小，小范围内小型的经济生太大的影响。由于住宅市场是一个竞争不充分，信宅业的发展与国民经济的发展是息息相关的，而发经济突然发生繁荣或者衰退的波动时，住宅价格的滞后性，且有时表现为不敏感。从住宅产业增长指系中（图 2-2），我们不难看出这一点。

2007年1月2007年3月2007年5月2007年7月2007年9月2007年11月2008年1月2008年3月2008年5月2008年7月2008年9月2008年11月2009年1月2009年3月2009年5月2009年7月bjgzsz图 4-1 新房成交量4.2.1.1 北京新房成交量首先用 SAS 程序做出了北京房屋成交量的平稳性检验（图 4-2），发现该列数据并不平稳，因此，该序列为非平稳的时间序列，并且存在一定的增长或下降趋势等，因此需要对该数据进行差分处理，然后再判断处理后序列的平稳性。直到数列平稳为止。对于北京房屋成交量这列数据来看，其在 2 阶差分后就差到了平稳。因此在 ARIMA 过程中，d=2。其结果如下：

【参考文献】

相关期刊论文 前10条

1 宋喜民,周书敬;房地产市场有效需求分析的灰色数学方法[J];河北建筑科技学院学报;2003年01期

2 桑玉杰;回归分析在房地产市场方面的应用[J];沈阳航空工业学院学报;2003年02期

3 葛金辉,桑玉杰;回归模型在房地产市场方面的应用[J];沈阳航空工业学院学报;2003年04期

4 龙启云,詹长根,姜武汉;多元线性回归模型在市场比较法中的应用[J];国土资源科技管理;2003年06期

5 龙奋杰;沈悦;刘洪玉;郑思齐;董黎明;;住宅市场与城市经济互动机理研究综述与展望[J];城市问题;2006年01期

6 赵蕾;陈美英;;ARIMA模型在福建省GDP预测中的应用[J];科技和产业;2007年01期

7 曹光辉,赵骅;重庆市主城区住宅需求总量预测模型[J];重庆大学学报(自然科学版);2002年11期

8 袁志刚,樊潇彦;房地产市场理性泡沫分析[J];经济研究;2003年03期

9 罗平,何素芳,牛慧恩;城市住宅市场价格系统动力学模型实证研究[J];人文地理;2001年02期

10 李涛,伍建平;房地产泡沫的成因及防范措施探讨[J];山东理工大学学报(社会科学版);2004年02期

相关博士学位论文 前1条

1 刘朝晖;中国城镇住宅市场问题研究[D];华中农业大学;2000年

相关硕士学位论文 前3条

1 刘永强;广东省住宅市场的预测模型研究[D];暨南大学;2006年

2 郭磊;上海市住宅市场发展的预测研究[D];浙江大学;2005年

3 孔颖;影响我国城市住宅市场供求关系的相关因素研究[D];吉林大学;2006年

本文编号：2738540