趙振博

本文基于貝葉斯網(wǎng)絡(luò)學(xué)習(xí)模擬，得出在不同程度風(fēng)險控制決策下，房地產(chǎn)的先驗和后驗概率，同時得出與之對應(yīng)的密度函數(shù)，進而比較分析條件概率。得出在貝葉斯網(wǎng)絡(luò)推理下，所取得的風(fēng)險控制決策信號具有確切的顯性特征。因此，在一定程度上，貝葉斯網(wǎng)絡(luò)推理對原有的網(wǎng)絡(luò)學(xué)習(xí)的風(fēng)險控制對先驗概率的影響程度進行了削弱，需要對風(fēng)險控制和管理之間的投資策略進行均衡。

貝葉斯網(wǎng)絡(luò)決策

房地產(chǎn) 投資風(fēng)險控制

引言

近些年來，我國房地產(chǎn)行業(yè)發(fā)展非常迅速，投資體量不斷加大。在此背景下，房地產(chǎn)業(yè)面臨的風(fēng)險因素不斷增多，因此需要科學(xué)合理的測度評估房地產(chǎn)投資面臨的風(fēng)險，建立完善的風(fēng)險管控體系，必須要明確房地產(chǎn)業(yè)發(fā)展及其風(fēng)險控制決策的關(guān)系。以往對這一問題所進行的研究主要以定性分析為主，所采用的定量分析也只是集中在對房地產(chǎn)行業(yè)的風(fēng)險控制效應(yīng)所進行的測算方面，而且只是在個別區(qū)域有所涉及，采用的分析方法也以面板數(shù)據(jù)等為主。很少有學(xué)者針對房地產(chǎn)企業(yè)的風(fēng)決策的相互作用以及關(guān)聯(lián)影響等進行分析。本文對此進行研究，以對市場與風(fēng)險控制決策管理的關(guān)系進行樹立，為相關(guān)主體的決策提供依據(jù)。在此背景下，對房地產(chǎn)行業(yè)的風(fēng)險控制與決策收益進行研究，采用貝葉斯網(wǎng)絡(luò)學(xué)習(xí)與推理方法分層進行實證分析，試圖形成有助于行業(yè)發(fā)展的風(fēng)控決策體系。

修正貝葉斯網(wǎng)絡(luò)決策房地產(chǎn)投資風(fēng)

險控制模型

（l）構(gòu)建房地產(chǎn)投資風(fēng)險控制的多元素函數(shù)的機理

通過上文論述可知，根據(jù)不同風(fēng)險控制下所估算的經(jīng)濟效益結(jié)果，對其進行比較分析。由于房地產(chǎn)行業(yè)的發(fā)展伴隨很多政策因素，同時比較容易受到經(jīng)濟運行環(huán)境以及銷售成本與價格等因素的影響。因此，需要構(gòu)建一個包含多種影響因素的決策函數(shù)，將其即為：

U=u（flf2f3…fn）（l）

其中，f代表的是構(gòu)成房地產(chǎn)投資風(fēng)險的所有決策組合，各組合分別對應(yīng)一個效應(yīng)函數(shù)。而房地產(chǎn)投資風(fēng)險控制決策由多種決策組合所構(gòu)成，是綜合評估結(jié)果的體現(xiàn)。為對綜合效應(yīng)函數(shù)進行檢驗，按照向量組的形式排列不同效應(yīng)的決策組合，也就是：

U=klfl+k2f2+…+knfn

（2）

從上述公式可以看出，各決策組合分別對應(yīng)各自的風(fēng)險投資要素，對應(yīng)的控制決策，可以根據(jù)不同決策的經(jīng)濟效應(yīng)，按照向量的形式進行排列組合，然后再進行專職，即可得到基本向量所對應(yīng)的n階矩陣。在該矩陣中，各個向量組分別對應(yīng)其中一個控制風(fēng)險的決策，進而形成一個平局經(jīng)濟效益的值。然后，根據(jù)投資風(fēng)險的差異，科學(xué)的評級經(jīng)濟效益。在評估過程中，主要就是求最小方差，通過各行列元素的交叉相乘，來確定各種風(fēng)險決策的權(quán)重。比如以aij對第i行第i列的投資風(fēng)險控制方案進行反映，因此第ii行，所表示的意思即是第i種投資風(fēng)險控制方案的所有i個元素的組合，可以將對應(yīng)的方差和權(quán)重表示為：

從上式中可以看出，稽核了各種投資風(fēng)險控制決策的元素，其所對應(yīng)的決策與i行i列所對應(yīng)的風(fēng)控方案的第i個要素的方差，根據(jù)各種影響因素，進行組合決策，對其進行一一測度，可以得到數(shù)學(xué)求和公式。此外，矩陣中的每個元素所表示的控制方案，與第i個要素符合綜合評估是l的假設(shè)，所對應(yīng)的值也就是權(quán)重，所以必然是小數(shù)，進而符合各值相加等于l的數(shù)學(xué)條件。

（2）貝葉斯網(wǎng)絡(luò)決策推理的概率分布

本文對網(wǎng)絡(luò)決策推理的先驗以及后驗概率進行研究，主要依據(jù)貝葉斯理論的基本原理，由先驗與后驗概率結(jié)合出貝葉斯概率，然后測度貝葉斯網(wǎng)絡(luò)決策的基本概率，得JH先驗概率是：

P（Wi），i=l，2，…

（4）

類條件概率是：

P（xIWi），i=l，2，…j

（5）

有上述（4）和（5）可以推出，基于先驗和后驗概率得出，貝葉斯基礎(chǔ)推理模型，分別是：

P（wiIX），i=，i=l，2，…j （6）

該概率的分布主要取決于（4）所對應(yīng)的原始決策，由其所對應(yīng)的模糊狀態(tài)的先驗概率，然后根據(jù)模糊信息所對應(yīng)的投資風(fēng)險控制決策，對經(jīng)濟效應(yīng)進行修正以后，得出后驗概率的模糊信息。然后由此修正與之對應(yīng)的矩陣，進而形成拓展以后的貝葉斯理論模型[2]。此后，根據(jù)各種風(fēng)控決策的經(jīng)濟效益的對應(yīng)值，將其按照大小分為兩個層級，每個層級所對應(yīng)的房地產(chǎn)投資風(fēng)控決策都有若干個，根據(jù)君子和最大值的差額，求出推理的指標(biāo)群。

實證分析

（l）數(shù)據(jù)的收集與處理

本文的研究數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，根據(jù)ST和PT原則對企業(yè)進行剔除，選擇了160個樣本，按照上述模型對其進行驗證。

（2）風(fēng)險決策執(zhí)行的聯(lián)合概率與全概率

本文首先對160個樣本的產(chǎn)值政府及其風(fēng)險控制進行對比分析。其中，為對不同風(fēng)控決策所對應(yīng)的風(fēng)險層級進行樹立，對風(fēng)險控制的水平進行劃分，對于負(fù)債比重低于45%的企業(yè)，將其歸于高風(fēng)險控制；對于負(fù)債比重高于65%的企業(yè)，將其歸為低風(fēng)險控制企業(yè)。同時對各時序點的樣本所面臨的風(fēng)險用數(shù)值進行表示，用l，2，3分別代表高中低風(fēng)險層級。然后根據(jù)模型風(fēng)控決策效應(yīng)，驗證所有樣本，得出房地產(chǎn)投資風(fēng)險控制與產(chǎn)值政府的關(guān)系，對其進行比較分析。從分析結(jié)果可知，2010年，房地產(chǎn)行業(yè)的產(chǎn)值增幅達到了16.2%，并且其風(fēng)控層級是l級。2011年，房地產(chǎn)行業(yè)的增幅僅為8.9%，為全部樣本中的最低增幅，并且其風(fēng)控層級是2級。由此可以看出，房地產(chǎn)行業(yè)在快速發(fā)展的同時，其經(jīng)濟增長并沒有和風(fēng)險層級完全實現(xiàn)對應(yīng)。所以，對于實驗結(jié)果，要對其進行進一步的驗證，分析其有效管控風(fēng)險層級的概率。

因此，針對上述論述，筆者利用貝葉斯網(wǎng)絡(luò)學(xué)習(xí)聯(lián)合概率和推理的全概率分布，得出了如表l的結(jié)果。結(jié)合對應(yīng)的先驗概率，來求出相應(yīng)的條件概率，并求其和，以得出學(xué)習(xí)的聯(lián)合概率，進而獲得對應(yīng)的全概率分布。因此，房地產(chǎn)投資風(fēng)險控制效益處于中等水平的階段其聯(lián)合概率與全概率最高，其權(quán)重是o.374，該權(quán)重能夠?qū)ψ罡呷怕实姆植贾颠M行反映。所以，對于房地產(chǎn)行業(yè)來說，其得到的風(fēng)控決策通常處于中等水平，而低層與高層的風(fēng)控決策，還無法獲得顯著的聯(lián)合和全概率分布。所以，對于房地產(chǎn)行業(yè)來說，執(zhí)行低風(fēng)險或高風(fēng)險的決策點實際上都不合適。

（3）貝葉斯網(wǎng)絡(luò)決策推理

然后采用貝葉斯網(wǎng)絡(luò)推理的方法對樣本中的低風(fēng)險和高風(fēng)險的樣本進行鹽酸，會根據(jù)高中低收益分別進行測算，獲得各層次所對應(yīng)的控制效益。實際上，不同級別的風(fēng)險控制決策，所對應(yīng)的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的風(fēng)控層次也是各不相同。在該層次機制下，采用網(wǎng)絡(luò)推理初始測試來計算后驗概率，進而得出不同風(fēng)控決策層的后驗概率分布。在此過程中，一階貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的投資風(fēng)控，對應(yīng)的概率最高為o.53，對應(yīng)的最低的概率是o.17。經(jīng)過推理以后，新的格局就此形成。對于高風(fēng)險控制決策，初始測試的值分別是o.32、o.53以及o.16，這也說明對房地產(chǎn)行業(yè)來說，風(fēng)控決策不僅受其本身風(fēng)險決策等因素的影響，也比較容易受到各主體對風(fēng)控決策差異等其他因素的影響。

此后，根據(jù)一階先驗概率，可以得出投資風(fēng)控的決策條件，采用貝葉斯網(wǎng)絡(luò)推理的方法，對高中低控制效益進行分析，根據(jù)先驗概率來計算后驗概率的密度函數(shù)。得出的結(jié)果表明，原來的能夠進行不同層級的風(fēng)險控制層級，逐漸遞減，其先驗概率分布也相對均衡。這也說明通過貝葉斯網(wǎng)絡(luò)推理可以得出更加確切的房地產(chǎn)風(fēng)控決策的信息，并且投資風(fēng)險決策的層級與原本的投資風(fēng)控層級也各不相同。相對來說，經(jīng)過貝葉斯網(wǎng)絡(luò)推理以后，雖然高低風(fēng)險層級依然非常顯著，但其報告值實現(xiàn)了一定程度的下降，而中層相對于高層而言，其報告值下降的非常明顯。這也在一定程度上削弱了我國房地產(chǎn)市場的中層級別對風(fēng)控和產(chǎn)業(yè)增長的關(guān)聯(lián)度，需要平衡實施風(fēng)控決策。

結(jié)語

本文基于房地產(chǎn)投資風(fēng)控決策的各個層級的經(jīng)濟效益，采用貝葉斯網(wǎng)絡(luò)決策以及一階貝葉斯網(wǎng)絡(luò)學(xué)習(xí)模擬，對比分析房地產(chǎn)投資風(fēng)控決策的聯(lián)合概率以及密度函數(shù)，對貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的模型進行驗證，進而影響風(fēng)控決策。從研究過程來看，不同層級的風(fēng)控決策，所獲得的效益也各不相同。對于房地產(chǎn)行業(yè)來說，在進行風(fēng)控決策時，主要受到自身以及企業(yè)風(fēng)控決策等多方因素的影響。房地產(chǎn)行業(yè)要從內(nèi)部對風(fēng)險進行剖析。本文的研究也存在一些不足，在今后的學(xué)習(xí)中，會深化對貝葉斯網(wǎng)絡(luò)學(xué)習(xí)推理模型的認(rèn)識，并對其他汗液進行嚴(yán)重，以提升模型的適用性。

[l]郭百鋼，基于Bayes網(wǎng)絡(luò)的項目投資風(fēng)險評估與決策方法研究[D].南京理工大學(xué)，2004.

[2]黃夢非，姚明秀，魯波濤，貝葉斯網(wǎng)絡(luò)決策在房地產(chǎn)投資風(fēng)險控制中的應(yīng)用[J].統(tǒng)計與決策，2017（21）：71-74.