李竹波+++蔣振宇+++王宗軍

摘要：通過選取我國(guó)1999-2015年的房地產(chǎn)價(jià)格宏觀數(shù)據(jù)，運(yùn)用灰度預(yù)測(cè)模型預(yù)測(cè)了2016-2031年我國(guó)房地產(chǎn)價(jià)格走勢(shì)，同時(shí)運(yùn)用馬爾可夫鏈優(yōu)化模型對(duì)預(yù)測(cè)值進(jìn)行優(yōu)化，得出較為準(zhǔn)確的預(yù)測(cè)結(jié)果，并結(jié)合EMD方法對(duì)預(yù)測(cè)模型的優(yōu)化進(jìn)行了展望?；谏鲜鲱A(yù)測(cè)分析，為中國(guó)房地產(chǎn)的宏觀政策調(diào)控提供參考依據(jù)。

關(guān)鍵詞：房地產(chǎn)價(jià)格；灰度預(yù)測(cè)；馬爾可夫鏈優(yōu)化模型

中圖分類號(hào)：F293.3 文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1001-9138-（2018）01-0032-40 收稿日期：2017-12-25

房地產(chǎn)涉及建筑、鋼材、金融、家居、電力等諸多行業(yè)，是一個(gè)龐大的產(chǎn)業(yè)鏈，房地產(chǎn)業(yè)的興衰對(duì)國(guó)民經(jīng)濟(jì)的發(fā)展有著深遠(yuǎn)而長(zhǎng)久的影響。而中國(guó)現(xiàn)階段正處于快速發(fā)展階段，能否防止陷入發(fā)展中陷阱，是一個(gè)值得深思的問題。日本上世紀(jì)八九十年代的發(fā)展?fàn)顩r，與我國(guó)極為相似，然而隨著房地產(chǎn)經(jīng)濟(jì)泡沫的破裂，日本陷入了長(zhǎng)久的經(jīng)濟(jì)停滯狀態(tài)，這不得不讓我們保持警惕。Black、Frase利用英國(guó)數(shù)據(jù)研究發(fā)現(xiàn)房?jī)r(jià)對(duì)通貨膨脹的影響具有不對(duì)稱性，價(jià)值被高估的房?jī)r(jià)的轉(zhuǎn)折點(diǎn)會(huì)對(duì)未來(lái)的通貨膨脹產(chǎn)生十分重大的影響，而低估的房?jī)r(jià)轉(zhuǎn)折點(diǎn)卻沒有這一影響?？紤]到我國(guó)2008年以來(lái)的房?jī)r(jià)高漲走勢(shì)，和隨之而來(lái)的高通貨膨脹，不僅讓人擔(dān)憂。而Helbling和Terrones （2003）的研究發(fā)現(xiàn)，住房?jī)r(jià)格的崩潰所導(dǎo)致的產(chǎn)出損失是股價(jià)崩潰所導(dǎo)致產(chǎn)出損失的兩倍。中國(guó)是否存在嚴(yán)重的房地產(chǎn)泡沫，房?jī)r(jià)是否崩潰，將是關(guān)系到中國(guó)經(jīng)濟(jì)是否能繼續(xù)健康平穩(wěn)發(fā)展的關(guān)鍵，這一問題的出發(fā)點(diǎn)就是房地產(chǎn)價(jià)格，故本文就是在這一背景下研究房地產(chǎn)價(jià)格的未來(lái)走勢(shì)，為政府對(duì)房地產(chǎn)業(yè)的調(diào)控提供參考。

本文結(jié)合灰度預(yù)測(cè)模型與馬爾可夫算法較為全面系統(tǒng)地對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析，增加了結(jié)論的可信度，所進(jìn)行的預(yù)測(cè)精準(zhǔn)度高達(dá)93%，為房地產(chǎn)市場(chǎng)參與者提供了有效的指導(dǎo)信息，并期望為相關(guān)的政策走向提供參考，以便為構(gòu)建我國(guó)健全的房地產(chǎn)市場(chǎng)監(jiān)管和房地產(chǎn)市場(chǎng)機(jī)制諫言進(jìn)策。并且，提供了先前設(shè)想與改進(jìn)方案，開發(fā)了另一種模型構(gòu)建方式，添加了新的思維，為繼續(xù)深入的研究提供了方向和指導(dǎo)。

1 文獻(xiàn)綜述

基于對(duì)數(shù)據(jù)的分析進(jìn)行未來(lái)數(shù)據(jù)的預(yù)測(cè)，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究和探索，在房地產(chǎn)市場(chǎng)的預(yù)測(cè)中許多學(xué)者也進(jìn)行了有效的探討。針對(duì)房地產(chǎn)市場(chǎng)表現(xiàn)出的不同特點(diǎn)，人們提出了多種多樣的分析和預(yù)測(cè)方法，現(xiàn)歸納常用的分析和預(yù)測(cè)方法及其特征，見表1。其中灰度預(yù)測(cè)模型因其嚴(yán)謹(jǐn)?shù)倪壿嬓裕幚頂?shù)據(jù)的全面性和細(xì)致性，所以近年來(lái)倍受學(xué)者們青睞。

錢峰（2009）提出了一種結(jié)合非線性回歸技術(shù)的灰度GM （1，1）模型的改進(jìn)模型，說明了新的改進(jìn)模型有效提高了經(jīng)典灰度模型的預(yù)測(cè)精度；馬海濤（2007）運(yùn)用灰度GM （1，1）模型對(duì)1999-2004年中國(guó)房地產(chǎn)價(jià)格指數(shù)，建立了中國(guó)房地產(chǎn)價(jià)格指數(shù)預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果良好，能夠較真實(shí)反映中國(guó)房屋價(jià)格的動(dòng)態(tài)變化趨勢(shì)；余永林（2012）采用了GM （1，1）灰度預(yù)測(cè)模型為工具，對(duì)西安房地產(chǎn)市場(chǎng)從開發(fā)投資、施工房屋面積和銷售房屋面積等方面進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果實(shí)際值與預(yù)測(cè)值的差異較小、精度較高，預(yù)測(cè)值可反映未來(lái)一段時(shí)期內(nèi)西安市房地產(chǎn)市場(chǎng)狀況；孫愛榮、程亞鵬（2010）運(yùn)用灰度GM （1，1）模型和BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的灰度BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)房地產(chǎn)價(jià)格指數(shù)進(jìn)行預(yù)測(cè)，此組合模型融合了灰度預(yù)測(cè)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的優(yōu)點(diǎn)，既克服了數(shù)據(jù)波動(dòng)性大對(duì)預(yù)測(cè)精度的影響，也增強(qiáng)了預(yù)測(cè)的自適應(yīng)性；潘迎月（2014）使用基于免疫克隆選擇算法改進(jìn)的模型對(duì)商品房需求、供給及售價(jià)進(jìn)行建模，提出的灰度人工免疫算法可以對(duì)商品房供需及售價(jià)的變化趨勢(shì)進(jìn)行更準(zhǔn)確預(yù)測(cè)；何薇（2011）通過對(duì)灰度預(yù)測(cè)模型GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)的研究，將兩大模型進(jìn)行組合改良，形成新的組合灰度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并以南京市中房指數(shù)為例，進(jìn)行2013年12個(gè)月的價(jià)格指數(shù)預(yù)測(cè)，研究結(jié)果證明新的組合預(yù)測(cè)模型精度較高；朱鮮野（2008）利用灰度系統(tǒng)理論對(duì)A市房地產(chǎn)商品價(jià)格走勢(shì)進(jìn)行預(yù)測(cè)。

灰度系統(tǒng)理論的研究對(duì)象是“部分信息已知、部分信息未知”的“小樣本”，“貧信息”不確定系統(tǒng)。它通過對(duì)“部分”已知信息的生成、開發(fā)去了解、認(rèn)識(shí)現(xiàn)實(shí)世界，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行行為和演化規(guī)律的正確把握和描述。也就是說灰度系統(tǒng)理論實(shí)際上是幫助我們以小見大，以局部看整體的方法論。

基于傳統(tǒng)的分析工具對(duì)房地產(chǎn)市場(chǎng)進(jìn)行短期預(yù)測(cè)時(shí)無(wú)法做到較為精準(zhǔn)的測(cè)量，而通過上文對(duì)灰度系統(tǒng)的介紹我們可知灰度預(yù)測(cè)模型通過累加生成手段和微分方程來(lái)描述數(shù)據(jù)間的內(nèi)在規(guī)律，有效地解決了信息缺失，離亂數(shù)據(jù)的缺陷，在一定的預(yù)測(cè)時(shí)間內(nèi)具有較好的預(yù)測(cè)精度。

由于房地產(chǎn)市場(chǎng)是一個(gè)部分信息已知、部分信息未知的系統(tǒng) ，所以房地產(chǎn)市場(chǎng)可以看作一個(gè)灰度系統(tǒng)來(lái)進(jìn)行處理，故本文采用灰度預(yù)測(cè)模型進(jìn)行未來(lái)房地產(chǎn)市場(chǎng)的預(yù)測(cè)。

現(xiàn)在學(xué)術(shù)界對(duì)于房地產(chǎn)市場(chǎng)的預(yù)測(cè)方法多種多樣，大多采用多種模型交叉使用的方法。對(duì)于房地產(chǎn)市場(chǎng)而言，我們?cè)跓o(wú)法獲得全部或較多信息的情況下，如果仍能夠憑借部分或少量的信息對(duì)房地產(chǎn)價(jià)格的走勢(shì)作出較為準(zhǔn)確的預(yù)測(cè)和把握，也就部分克服了虛假信息和惡意炒作帶來(lái)的不確定性風(fēng)險(xiǎn)。而灰度模型具有較強(qiáng)的適應(yīng)能力，只需要較少的數(shù)據(jù)量，簡(jiǎn)便的計(jì)算過程即可預(yù)測(cè)出隨機(jī)量的變化趨勢(shì)，因此，基于效率與準(zhǔn)確性的考慮，我們并不需要特別的運(yùn)用其他的復(fù)雜模型對(duì)此進(jìn)行檢測(cè)，所以主要采取較為傳統(tǒng)的灰度檢測(cè)模型GM （1，1）進(jìn)行相關(guān)預(yù)測(cè)。

2灰度模型分析

2.1問題的分析

因?yàn)榉康禺a(chǎn)價(jià)格的表示包括商品房平均每平方米的銷售價(jià)格和房地產(chǎn)價(jià)格指數(shù)，選擇其中一個(gè)進(jìn)行分析即可，所以就不妨選擇1998-2015年的商品房每平方米銷售價(jià)格的年均值數(shù)據(jù)，數(shù)據(jù)來(lái)源為國(guó)家統(tǒng)計(jì)局統(tǒng)計(jì)年鑒（1998-2015年）房地產(chǎn)專業(yè)數(shù)據(jù)庫(kù)，其中2015年的數(shù)據(jù)是根據(jù)統(tǒng)計(jì)局的年商品房銷售面積和商品房銷售收入的數(shù)據(jù)，進(jìn)行相關(guān)運(yùn)算得出，單位是元/平方米，總共選取18個(gè)數(shù)據(jù)排列成時(shí)間序列，t=1表示1998年，t=18表示2015年，設(shè)數(shù)列{X（t），t=1，2，…，18}表示時(shí)間t的房地產(chǎn)收盤價(jià)，進(jìn)行數(shù)據(jù)處理、分析，做出時(shí)間序列圖如圖1所示。endprint

又因?yàn)榉康禺a(chǎn)市場(chǎng)的走勢(shì)受經(jīng)濟(jì)形勢(shì)，國(guó)家政策，外部環(huán)境以及投資者心態(tài)等多個(gè)因素影響；經(jīng)濟(jì)形式因素考慮每年GDP、CPI值；國(guó)家政策則考慮銀行存款利率與銀行準(zhǔn)備金率；外部環(huán)境考慮其他國(guó)家房地產(chǎn)對(duì)其的影響；投資者心態(tài)則考慮房地產(chǎn)價(jià)格的漲跌情況。

通過查閱資料，灰度預(yù)測(cè)GM （1，1）模型是一種對(duì)含有不確定因素的系統(tǒng)進(jìn)行預(yù)測(cè)的方法，又知房地產(chǎn)市場(chǎng)正滿足這種情況，又得知馬爾可夫鏈模型研究的是受利率、匯率、通貨膨脹率、所屬行業(yè)前、經(jīng)營(yíng)者能力、個(gè)人預(yù)期及心理因素等多種隨機(jī)因素的影響，所以先用灰度預(yù)測(cè)GM（1，1）模型對(duì)房地產(chǎn)市場(chǎng)漲跌變化進(jìn)行預(yù)測(cè)再用馬爾可夫模型進(jìn)行修正。假定，根據(jù)圖1得原始時(shí)間序列：

X（0）={X1（0），X2（0），X3（0），…Xi（0）}，i=1，2，3…18

2.2模型分析

2.2.1 模型假設(shè)

根據(jù)實(shí)際經(jīng)驗(yàn)，先提出如下假設(shè)：

（1）無(wú)人為操縱房地產(chǎn)價(jià)格的走向，數(shù)據(jù)是隨機(jī)的。

（2）房地產(chǎn)價(jià)格數(shù)據(jù)是連續(xù)的，并且數(shù)據(jù)是準(zhǔn)確且無(wú)人為統(tǒng)計(jì)誤差。

2.2.2 符號(hào)說明及級(jí)比分析

預(yù)測(cè)模型中的符號(hào)含義說明如下：

α為發(fā)展灰度數(shù)；μ為內(nèi)生控制灰度；X（t）表示在時(shí)間t=1，2，3…18時(shí)的房地產(chǎn)價(jià)格；r表示關(guān)聯(lián)度；S1表示序列X（t）的標(biāo)準(zhǔn)差；S2表示絕對(duì)誤差序列的標(biāo)準(zhǔn)差；C表示方差比；Ai表示對(duì)數(shù)據(jù)劃分區(qū)間i=1，2，3…18；Pij表示第狀態(tài)轉(zhuǎn)移到；j狀態(tài)的概率i，j=1，2，3…18；I0表示時(shí)刻0處于狀態(tài)j=1，2，3…18的概率；表示經(jīng)過k步轉(zhuǎn)移后處于狀態(tài)j=1，2，3…18的概率。

要求級(jí)比滿足：=（0.90008763，1.11100294）計(jì)算得出在0.8118，1.0168）范圍內(nèi)，數(shù)列中有4個(gè)數(shù)據(jù)未在區(qū)間（0.90008763，1.11100294）內(nèi)，所以不可用原始數(shù)據(jù)X（0）作GM（1，1）模型。為此我們先對(duì)原始數(shù)據(jù)X（0）做以下變換：

i=1，2，3…18

t=1，2，3…18；級(jí)比：，i=1，2，3…18

要求滿足：=

（0.90008763，1.11100294）經(jīng)計(jì)算在（0.9917，1.0021）范圍內(nèi)，18個(gè)數(shù)據(jù)全在區(qū)間（0.90008763，1.11100294）內(nèi)，認(rèn)定級(jí)比檢驗(yàn)合格。經(jīng)過變換后的序列i=1，2，3…18，通過一次累生成序列i=1，2，3…18。

2.3 模型的建立及求解

對(duì)X（1）建立變量的一階微分方程GM（1，1）模型為： （1）

式中，α為發(fā)展灰度數(shù)，μ為內(nèi)生控制灰度，構(gòu)造均值序列：令Z（1）為X（1）的均值序列Z（1）=，i=1，2，…18其中：=0.5設(shè)?為待估參數(shù)向量，且?=，利用最小二乘法求解，可得?=（BTB）-1BTyn式中

求解微分方程，預(yù)測(cè)模型：

首先，利用Matlab計(jì)算得參數(shù)：α=-0.0104；μ=28304

又由：X00（1）=29347；=-2721538.46代入?yún)?shù)最后得到的模型為：

（1）（k+1）=270885.46e0.0104k-2721538.46，k=0，1，2…n

2.4 模型的檢驗(yàn)

（1）參數(shù)的檢驗(yàn)

因?yàn)槟Ｐ椭袇?shù)α的取值范圍：α=（-0.1052632，0.1052632），α在此范圍內(nèi)，故此灰度預(yù)測(cè)模型適用。

（2）殘差檢驗(yàn)

按預(yù)測(cè)模型計(jì)算得預(yù)測(cè)值將經(jīng)過一次累減生成，i=1，2，3…18其中00（i）=1（i）-1（i-1），i=2，3…18 00（1）=1（1）數(shù)據(jù)的變換還原：=，i=1，2，3…18

絕對(duì)誤差：（i=1，2…n），相對(duì)誤差：×100%，i=1，2…n

計(jì)算模型精度：×100%；P0=0.9302，所以運(yùn)用該模型進(jìn)行預(yù)測(cè)的精度為：93.02%

（3）關(guān)聯(lián)度檢驗(yàn)

關(guān)聯(lián)系數(shù)，i=1，2…18

則關(guān)聯(lián)度為：η（i）=0.6566>0.6所以關(guān)聯(lián)度檢驗(yàn)合格。

（4）后驗(yàn)差檢驗(yàn)

原始序列的標(biāo)準(zhǔn)差：

絕對(duì)誤差序列的標(biāo)準(zhǔn)差：

方差比為：C==0.0967，計(jì)算小誤差概率：S0=1128.9，ei=

比較ei與S0可知，ei中有0個(gè)值大于S0，所以小概率檢驗(yàn)合格。

2.5模型的修正及預(yù)測(cè)

因?yàn)樵A(yù)測(cè)模型：（1）（k+1）=270885.46e0.0104k-2721538.46，k=0，1，2…n

按預(yù)測(cè)模型計(jì)算得預(yù)測(cè)值，i=1，2，3…18對(duì)變換后的累加序列，i=1，2，3…18重新定義殘差：=

對(duì)殘差數(shù)列進(jìn)行一次累加得：==1，2，3…n

可以建立相應(yīng)的GM（1，1）模型：=，

所以修正模型為：

求解得修正模型：

=270885.46e0.0104k-2721538.46

+144.0137σ（k-1）e0.1084k

根據(jù)修正模型得到最后的預(yù)測(cè)模型為：

通過Matlab將模型編程，并進(jìn)行運(yùn)算，最終預(yù)測(cè)2016-2031年的房地產(chǎn)價(jià)格走勢(shì)圖2，其中橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示商品房每平方米的銷售價(jià)格。又知，運(yùn)用灰度模型進(jìn)行長(zhǎng)期預(yù)測(cè)會(huì)出現(xiàn)較大的誤差，可以用1998-2015年每年房地產(chǎn)實(shí)際價(jià)格與用該模型預(yù)測(cè)的每年預(yù)測(cè)值之間的誤差去修正房地產(chǎn)價(jià)格預(yù)測(cè)值，得到的走勢(shì)圖如圖3。

3應(yīng)用馬爾可夫鏈模型對(duì)預(yù)測(cè)進(jìn)行優(yōu)化

3.1問題的分析及模型建立endprint

因?yàn)榉康禺a(chǎn)市場(chǎng)的走勢(shì)受經(jīng)濟(jì)形勢(shì)，國(guó)家政策，外部環(huán)境以及投資者心態(tài)等多個(gè)因素影響，而馬爾可夫鏈模型研究的是受利率、匯率、通貨膨脹率、所屬行業(yè)前、經(jīng)營(yíng)者能力、個(gè)人預(yù)期及心理因素等多種隨機(jī)因素的影響，所以采用馬爾可夫鏈模型對(duì)2016年房地產(chǎn)市場(chǎng)漲跌變化進(jìn)行預(yù)測(cè)優(yōu)化。

首先對(duì)選取數(shù)據(jù)的每年房地產(chǎn)價(jià)格數(shù)據(jù)進(jìn)行累減，得出相鄰兩年的漲幅如表2所示。

從表2中可知最低跌幅為-63.9000，最高漲幅為881，設(shè)X（t）為每天的漲幅，然后對(duì)數(shù)據(jù)進(jìn)行劃分為19個(gè)狀態(tài)[-65，-15]，[-15，35]，[35，85]，[85，135]…[835，885]分別用A1，A2…A19表示這些狀態(tài)。然后編程求得每天漲幅在各狀態(tài)下的頻數(shù)，見表3。

又知對(duì)上述數(shù)據(jù)劃分為19個(gè)區(qū)間，可知有19個(gè)互不相容的狀態(tài)，其中：Pij，i，j=1，2，3…19表示第i狀態(tài)轉(zhuǎn)移到第j狀態(tài)的概率。設(shè)：，表示時(shí)刻0處于狀態(tài)j=1，2，3…19的概率，若經(jīng)過k步轉(zhuǎn)移后，處于狀態(tài)j的概率為，方程=，j=1，2，3…19，記稱此方程為馬爾可夫鏈預(yù)測(cè)模型，展開方程有：

變形為：

其中：矩陣P中每一橫行為某一狀態(tài)下各種情況轉(zhuǎn)移的概率，

且：

綜上所述，馬爾可夫鏈預(yù)測(cè)模型為：

3.2模型的求解

因?yàn)?，X（16）=87∈A5=（35，85），則知，狀態(tài)轉(zhuǎn)移到了A3，出現(xiàn)在狀態(tài)A3的次數(shù)增加一次，總次數(shù)為3，對(duì)應(yīng)的概率為以αij相應(yīng)X（t）對(duì)應(yīng)狀態(tài)區(qū)間的頻數(shù)，求得狀態(tài)轉(zhuǎn)移概率，所以得到概率矩陣為：

所以所求解的馬爾可夫鏈預(yù)測(cè)模型為：Ik+1=Ik P（ij）1919

運(yùn)用灰度模型預(yù)測(cè)2016-2031年的房地產(chǎn)價(jià)格預(yù)測(cè)值如表4。

通過Matlab數(shù)學(xué)軟件，運(yùn)用馬爾可夫鏈優(yōu)化模型理論，進(jìn)行相關(guān)編程求解預(yù)測(cè)2015年后每年的漲幅，再用漲幅去修正用灰度預(yù)測(cè)模型所預(yù)測(cè)得到的2016年至2031年的商品房銷售均價(jià)，最終得到房地產(chǎn)價(jià)格的走勢(shì)圖如圖4所示。

根據(jù)趨勢(shì)預(yù)測(cè)圖4可知，2016年以后的房地產(chǎn)價(jià)格價(jià)將一直處于上升態(tài)勢(shì)，其中2025年房地產(chǎn)價(jià)格比較穩(wěn)定，以后繼續(xù)呈上升態(tài)勢(shì)。

4 總結(jié)

4.1 模型總結(jié)

通過對(duì)1998年到2015年每年的商品房?jī)r(jià)格數(shù)據(jù)進(jìn)行分析，得出了相關(guān)模型，其最終精度為93.02%。由于預(yù)測(cè)模型的準(zhǔn)確度相對(duì)較高，因此可以使用該模型對(duì)2016年到2031年的商品房?jī)r(jià)格走勢(shì)，但是用灰度模型預(yù)測(cè)長(zhǎng)期數(shù)據(jù)可能會(huì)出現(xiàn)較大的誤差，所以預(yù)測(cè)出2015年的商品房?jī)r(jià)格，然后用2015年的商品房?jī)r(jià)格減去預(yù)測(cè)值，得到預(yù)測(cè)的誤差，再去修正其他年份的預(yù)測(cè)值，這樣能使精度更高。

因?yàn)榉康禺a(chǎn)市場(chǎng)的漲跌波動(dòng)還會(huì)受經(jīng)濟(jì)環(huán)境，國(guó)家政策，國(guó)際宏觀經(jīng)濟(jì)狀況，投資者心態(tài)等多個(gè)因素影響。所以本模型所得出的預(yù)測(cè)值與實(shí)際值可會(huì)存在部分差異。

4.2 展望

雖然運(yùn)用灰度模型預(yù)測(cè)法對(duì)近些年的房地產(chǎn)市場(chǎng)行情進(jìn)行了較為深入的探討，隨后提供了精度較高的預(yù)測(cè)，總體上，思路較為清晰，邏輯較為嚴(yán)謹(jǐn)，預(yù)測(cè)結(jié)果也讓人信服，但是，這一成果離預(yù)想目標(biāo)相去甚遠(yuǎn)。因此，接下來(lái)將論述先前的設(shè)想，以期對(duì)現(xiàn)有的模型和結(jié)論做一個(gè)評(píng)價(jià)與建議。期待繼續(xù)深入的探究以改進(jìn)現(xiàn)有模型，現(xiàn)將我們的一些設(shè)想闡述如下。

由于研究目的是借助當(dāng)前的數(shù)據(jù)預(yù)測(cè)未來(lái)的走勢(shì)，因此除了對(duì)整體數(shù)據(jù)進(jìn)行相關(guān)分析得出數(shù)據(jù)的大體走向之外，我們同時(shí)希望利用房地產(chǎn)市場(chǎng)的周期性這一特征，通過EMD算法尋找到歷史類似性的時(shí)段，以期對(duì)將來(lái)的行情走向進(jìn)行較為準(zhǔn)確的預(yù)測(cè)。大量的文獻(xiàn)從不同的角度，不同的分析方法驗(yàn)證了市場(chǎng)的周期性，以及一定程度的可預(yù)測(cè)性。

EMD算法適用于處理較紊亂的波段，它的優(yōu)點(diǎn)是在保證總體數(shù)據(jù)真實(shí)的基礎(chǔ)上，能夠?qū)Ψ蔷€性、不平穩(wěn)過程的數(shù)據(jù)進(jìn)行線性化和平穩(wěn)化處理。這就意味著通過EMD算法的處理的數(shù)據(jù)代表的圖形更加平滑，易于進(jìn)行識(shí)別。借此算法，分析1998年到2015年的數(shù)據(jù)，分解出不同頻率的波段。通過相關(guān)技術(shù)，對(duì)這些波段進(jìn)行匹配，尋找“歷史的類似性”。同時(shí)對(duì)于具有“歷史的類似性”的歷史狀況，如宏觀經(jīng)濟(jì)環(huán)境，政策等周邊環(huán)境進(jìn)行相關(guān)分析。結(jié)合之前已經(jīng)進(jìn)行的分析，最終決定影響房地產(chǎn)市場(chǎng)的重大因子。通過歷史類似性分析，較為準(zhǔn)確地預(yù)測(cè)上行周邊環(huán)境的滯后效應(yīng)以及下行環(huán)境的直接影響，最終較為精準(zhǔn)地預(yù)測(cè)房地產(chǎn)市場(chǎng)的走勢(shì)。

這一設(shè)想的創(chuàng)新之處就在于我們通過抓取兩段波長(zhǎng)幅度，頻率相同或相似的數(shù)據(jù)進(jìn)行分析，不僅將房地產(chǎn)市場(chǎng)的周期性考慮進(jìn)去，還將歷史類似性考慮進(jìn)去。通過分析兩段數(shù)據(jù)處于的歷史時(shí)期，相似性是如何形成的，我們可以發(fā)現(xiàn)影響房地產(chǎn)市場(chǎng)的重大因子或忽略因子，從而進(jìn)一步為理性預(yù)測(cè)提供依據(jù)和幫助。

參考文獻(xiàn)：

1.A.Bezuglov，G.Comert.Short-term freeway traffic parameter prediction：Application of greysystem theory models.Expert Systems With Applications.2016.62

2.Zeng，C.Li.Forecasting the natural gas demand in China using a self-adapting intelligent grey model. Energy.2016.112

3.Xin M，Zhi B-L.Research on the novel recursive discrete multivariate grey prediction model and its applications.Applied Mathematical Modelling.2016.40

4.Lin C，Wei l-L，Jun Z-L，Bin B-T，Hai H-P.Prediction of lithium-ion battery capacity with metab-olic grey model.Energy.2016.106

5.錢峰 呂效國(guó) 朱帆.灰度GM（1_1）模型的改進(jìn)模型在房地產(chǎn)價(jià)格指數(shù)預(yù)測(cè)中的應(yīng)用.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí).2009.07

6.馬海濤 陳琳 路正南.基于灰度理論的中國(guó)房地產(chǎn)價(jià)格指數(shù)預(yù)測(cè).統(tǒng)計(jì)與決策.2007.19

7.余永林.基于灰度預(yù)測(cè)模型的西安市房地產(chǎn)供求預(yù)測(cè)研究.廣東土地科學(xué).2012.11

8.孫愛榮 程亞鵬.基于灰度理論和BP神經(jīng)網(wǎng)的房地產(chǎn)價(jià)格指數(shù)預(yù)測(cè).企業(yè)經(jīng)濟(jì).2010.04

9.潘迎月.基于灰度人工免疫算法的房地產(chǎn)行業(yè)供需模態(tài)分析和預(yù)測(cè).武漢理工大學(xué).2014

10.何薇 章恒全.基于改進(jìn)灰度神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價(jià)格走勢(shì)分析.武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版）.2014.01endprint