构建一个整体模型的困难或不可能与潜在的反应和逆反应(参与者或代理人)源于社会的复杂性,经济和金融系统。假设的方法明显的神经网络系统的复杂性,通常的不可知性和一般不切实际的模型,可以模拟并鼓励观察到的经济或社会。问题是显而易见的如果一个人试图控制系统中所有可能的潜在变量和结果以及包括他们所有的动态相互作用[ 1]。人工神经网络的应用以及经济计量模型的特征是特定的优点和缺点。然而,神经网络已经被强制转化为一个真正能够替代计量经济学方法,也就是说,作为评估和预测的一种强大的工具,例如,房地产领域的评估。特别强调,可以找到估计值而不是精确值。

人工神经网络是相对较新的计算机工具,广泛应用于解决很多复杂的实际问题。他们的吸引力是一个好的特色产品在数据处理中,宽容的输入数据错误,高的学习机会的例子,容易适应变化,和方法的泛化发展中成功的人工神经网络从概念化的项目开始,通过设计项目,实现项目( 2]。使用人工神经网络预测增加导致了一个巨大的研究在过去的二十年里 3]。

一代各种预测模型是基于人工神经网络的使用,这是最近作为当代跨学科研究领域在许多大学,帮助解决许多工程使用传统方法无法解决的问题。研究了神经网络成功地作为一种分析工具用于相关预测,大大提高各级决策的质量。成功的应用程序的常见问题的人工神经网络预测和建模是缺乏必要的相关数据,数据是“噪声”或不完整的情况下,建模的数量由多元关系( 4]。另一方面,大量的研究指出,预后模型获得的人工神经网络的使用表现出一个令人满意的精确度的情况下尤其有用,preperformed数值或实验研究[ 5]。使用这些模型的探索和证明可靠性在建设大量的应用程序( 6- - - - - - 11]。

神经网络的广泛的科学和技术使用条件增加了复杂性的市场,当他们展示优势(有效性)在一个不稳定的环境中,接受分析师、投资者和经济学家尽管缺点。神经网络及其复杂性的multidisciplinarity报道使他们适合评估市场变量,也就是说,潜在的,索引和衍生金融工具。比较预测的不稳定获得使用神经网络包含波动的标准普尔指数期货期权和应用弯曲期货定价模型的选择,哈米德认为预测神经网络比隐含的不稳定预期和实现波动略有不同 12]。

人工神经网络模型为许多工程问题提供合理的精度由传统工程方法难以解决的工程技术和统计方法 13, 14]。人工神经网络在建筑业的应用具有十分重要的意义和实用价值。最近的文献表明,神经网络的方法主要是用来模拟不同的问题和现象领域的建设 15- - - - - - 20.]。

人工神经网络是很有用的模型输入和输出之间的关系直接观测数据的基础上。正如已经指出的那样,他们有能力学习,泛化的结果,和应对高度表示不完全性或不完全性的可用数据 21]。随着人工神经网络具有更好的性能比,因为它们是非线性多变量分析,他们能够评估主观信息很难包括传统的数学方法。此外,神经网络是特别明显的突出能力在房地产等复杂的系统体系,近年来,人工神经网络被广泛用于创建一个模型在房地产市场评估价格。许多这样的模型已经发表在科学和专业文献。因此,在20世纪的最后十年,Borst定义一些变量基于人工神经网络的设计模型评价房地产在纽约州,证明该模型能够预测房地产价格预测的准确率为90% ( 22]。

评估房地产的市场价值的问题的建设一直是当前房地产买家和卖家的角度/投资者,特别是对未来的投资。因此,在理论和实践中,有各种各样的方法来确定房地产的市场价值。鉴于房地产的市场价值是受到很多因素的影响,房地产市场评估的过程相当复杂,又总是电流。消极的评估实践,只有确认同意房地产价格更轻但不精确的估计价值,并可能导致偏差从房地产的市场价值 23]。作为传统的估计方法的一部分来自客观因素对房地产价格的影响,忽略了不可否认的主观因素的影响,产生重大影响房地产的价格,推广应用这些方法是不可能的,因为不同国家的房地产市场受各种客观和主观因素的影响。享乐主义的房地产评估方法,基于多元回归分析,虽然常常用来测试新的评估方法,由最初的假设和负担是不够理性的评估( 23, 24]。

随着新电脑的发展和数学建模方法,为房地产市场开发新方法的趋势评估是显著的。即使用人工神经网络已被证明是合理的非常规方法来评估发展的房地产市场价值,使一个更客观、更准确的估计的房地产市场。估值过程始终是一个问题在自由市场经济中,市场参与者通常没有完整、准确的价格信息,这就是为什么他们正在考虑各种各样的因素以及它们之间不同的关系。在房地产市场,通常是一个更明显的缺乏准确的信息相比,另一个商品信息,因为数据通常不提供一个一致的格式。分析和解释的一般趋势是受这些商品的稀疏的各种特征/属性,通常与一个特定位置( 25]。因此,大量的作者阐述了其他方法来代替传统的方法,评估和开发新的模型来评估房地产的市场价值能够和用于类似用途( 26- - - - - - 28]。

发达的人工神经网络模型表明,住宅市场的影响下不同的经济和金融环境。开发这样的模型的目的是表明,尤其,观察到国家的经济和金融形势是否反映了经济的总体形势对房地产市场。结果表明,这些国家的经济和金融危机对房地产价格有不同的影响( 29日]。基于粗糙集理论的方法和人工神经网络被证明是适合的住宅价格指数( 29日, 30.]。在过去的十年中,文献分析房地产价格波动对经济的影响总体上:失业,消费者信心在政府、银行实践和社会成本。另一方面,宏观经济情况,如商业周期、就业率,收入增长,利率,通货膨胀率,贷款供应,房地产投资回报率,和其他因素,如人口增长,对住房价格产生重大影响。

相反的主要应用多元回归模型,涉及人类估计,使用人工神经网络、人工智能模型,允许隐藏的非线性建模变量被发现之间的联系。在神经网络的背景下,一个特殊的地方是被所谓的反向传播模型。这些神经网络包含一系列简单的相互连接的神经元(或节点)之间的输入和输出向量。Pi-Ying反向传播神经网络作为一种工具用于构建所选城市的房价模型( 31日]。本文探讨应用神经网络技术的重要性在房地产评估的问题。从神经网络模型的性质的后果,Pi-Ying得出结论,模型创建一个较大的预测误差相比,多元回归分析。然而,通过估计大量的房地产属性,Peterson和弗拉纳根发现,人工神经网络与线性享乐定价模型相比,创造明显的小错误以美元定价和有更大的样本外精度和有一个更好的外推在一个更不稳定的环境( 32]。

根据Limsombunchai(2004),享乐主义的成本模型和人工神经网络强调享乐技术通常是不切实际的在处理任何地理区域的房地产市场作为一个单元。神经网络模型相比,该模型显示了样本外预测[贫穷导致 33]。市场缺陷,辅以投标质量刚度和异构性,导致房地产价格的偏离基本价值。因此,可持续的偏差的条件下,逆向选择问题的刺激,和金融自由化时期的繁荣-萧条周期,结果(失真)是道德风险( 30.]。经验和操作框架表明住宅房地产市场的大小直接决定经济增长。

支持欧洲经济增长扩大央行刺激(量化宽松政策),这增加了流动性,信心,和国内消费通过创建一个影响房地产市场的基础。房价的增长,繁荣在欧洲,最近展示了连续性。这可以跟踪在增加的势头如果房地产市场增长快今年比前一(或低于)。因此,这是一个“改变”的变化测量表明,大多数的房地产市场正在放缓,尽管欧洲的繁荣持续强烈( 34]。影响了欧洲房地产市场的因素是GDP的增长。在上一个十年的开始,滞后于GDP的增长和房价之间的相关性在欧盟是81%。根据这些分析,预期的经济缓慢增长应该限制公寓价格在未来几年的增长。

利率,房地产市场的另一个经济指标,取决于欧洲央行和其它央行的货币政策在欧盟。低利率的货币政策的结果,刺激房地产市场。有一个相关的住宅贷款和房价。房价上涨是住宅贷款的增长的结果,由于物价上涨,居民债务与家庭可支配收入的比率正在改变。这种债务的家庭以及家庭债务能力成为房价上涨的因素。有两个后果的廉价住房在欧盟(2015):在某些市场房价的快速上升和伟大的城市和国家之间的交易价格差异( 35]。

住房不仅是家庭财富的重要组成部分也是实体经济的一个重要领域。住房建设的下降可以反映负面(直接或间接)对金融稳定和实体经济。此外,贷款是重要的角色在住房的崛起和经济衰退。金融和宏观经济稳定是影响住宅房地产行业的发展。宏观审慎当局的主要职责是分析这个市场的漏洞。在欧盟,欧洲系统性风险委员会授权实施“宏观审慎监管的金融体系在欧盟为了有助于预防或缓解系统性风险。“分级标识在欧盟国家中期敏感性可以系统性风险的原因,导致严重的消极后果。基于关键指标水平分析,风险分析,分析结构和制度因素(垂直)实现 36]。

本文的模型估计房地产价格在27个欧洲国家被定义。这个研究论文表明作者的假设是得益于使用人工神经网络预测模型和可用的影响房地产价格形成的因素。这些因素可以获得准确的房地产价格在欧洲市场有很大价值的决策过程在欧洲市场购买房地产。

否则,在文学的因素有不同的划分方法或多或少地影响房地产市场价格的形成。通常的分歧是macroenvironment因素之一(如汇率、就业、GDP、贷款利率,和地质因素)和微环境因素(主要是有关建筑环境)( 37]。除此之外,有一个因素分成合理的有关房地产的实际价格和非理性的,反映了消费者的期望 38]。同时,某些分析凸显了房地产的基本因素在任何国家与贷款可用性、住房供给和dimet比率,利率降低,改变房地产市场参与者的预期,行政限制供应,等等( 39]。

为了开发一个欧洲房地产市场预测模型,基于人工神经网络,作者建议房地产市场宏观经济因素的影响。训练的人工神经网络是由定义11输入和一个输出的网络(房价)。提供的27个欧盟国家的输出variables-real房地产价格的基础上可用的经验数据( 36)和某些作者的计算。表 1显示了基本的输入到模型和它们的定义和基本特征。Precollection和数据分析,定义模型,数据的准备,最终,模型进行的生产。

输入和输出参数的基本特征用于训练网络代表253组数据选择其中80%作为网络训练集和20%作为验证集。所有数据从上述数据库下载。训练后的网络控制网络上的11组数据没有训练。

房地产的市场价值取决于时间变化和确定在特定的日期,所以这个时间预测模型。

创建一个人工神经网络模型训练来解决这个问题是在定义网络体系结构有11个变量输入和一个输出。网络训练,一个两层神经网络和15两个隐藏层神经元隐层。

不反复出现的网络进行网络训练,进行了网络训练使用一种改进的<我talic> 反向传播算法通过定期的数据通过神经网络训练。获得的值与实际输出进行比较,如果不同,重量校正系数。重系数的校正网络是由梯度速降的规则: (1) w 我 j l n e w = w 我 j l o l d - - - - - - η ∂ ε k ∂ w 我 j l 。 作为一个激活函数,使用物流s型函数: (2) f x = 1 1 + e - - - - - - x 。 改善<我talic> 反向传播算法是介绍一下,这样重量的变化<我nl我ne- - - - - -formula> t 将取决于前期的变化: (3) Δ w 我 j l t = - - - - - - η ∂ ε k ∂ w 我 j l + α Δ w 我 j l t - - - - - - 1 , 0 < t < 1 。 网络训练是选择一组验证数据的20%。培训去了一个错误的时刻在验证组,训练网络显示良好的预测性能。

MS Excel中的神经网络训练计划。小偏离训练指出。基于网络的起始与输入数据范围的数据用于训练,可以起草的预后模型从任何输入输出的依赖。

11日预测控制进行测试数据集的网络没有训练。

一般来说,我们的研究表明,预后模型,基于人工神经网络的使用,有一个令人满意的精度。即预后模型估计房地产价格在欧盟市场,做这个调查的目的,是一个偏差的实际价格均价预期的14%。图 1显示了这个偏差3选择不同发展水平的国家。

预后模型的基础上,使用人工神经网络的设计,房地产价格在欧盟国家估计,从最初认为宏观经济变量对输出变量产生重大影响。分析考虑某一因素的变化所带来的影响与房地产价格在欧盟市场上,与其他实际变量不变。

数据 2, 3, 4显示预测房地产价格的变化在不同发展水平的国家(高、中、低)的影响下,国内生产总值增长率。调查的国家,无论程度的发展,有一个增长的趋势预测房地产价格与GDP增长率的增加。从理论上讲,GDP增长率可显著提高房地产价格通过增加消费条件的大型房地产影响就业增长的基础设施项目。抵押贷款更容易接受,所以房地产需求上升并最终增加房地产价格。一些研究涉及房地产价格变化之间的关系和实际GDP的变化,还是这两个变量之间的相互依存关系是显著的。回归分析方法研究表明,有一个关系和依赖,而相关性表明这些变量之间可能的因果互连( 40]。OLS(普通最小二乘法)模型,以及基于人工神经网络的应用模型,GDP增长率被认为是一个关键的宏观经济变量影响房地产的价格具有不同程度的意义在不同的国家 29日]。

数据 5, 6, 7显示房地产价格预测的变化的影响下HICP。数据,可以看出,无论程度的发展HICP增加的国家,有一个预测房地产价格的上升。一些研究,如从Burinsena Rudzkiene, Venckauskaite,立陶宛的例子,表明HICP,作为一个指示器的年均通货膨胀率,是房地产市场的一个主要因素( 39]。此外,一些研究对高度发达的国家(例如,挪威)表明,增加长期HICP伴随着,而房地产价格大幅上涨( 41]。

数据 8, 9, 10显示房地产价格预测的变化的影响下,失业率的国家不同的发展水平。数据调查国家表明房地产价格预测的明显下降,失业率增加。理论上,占主导地位的观点是,低失业率会导致收入上升,影响消费者信心的增加,表现在房地产市场,鼓励房地产价格增长,反之亦然。实证研究在早些时候经济变量对房价的影响动力学表明,失业率降低房地产价格的增长( 42),作为我们的预后模型还指出。最近的一些实证研究指出,失业率的不可否认的影响,宏观经济因素对房地产价格。失业率对房地产价格的影响不同于国家。其中的一个研究表明,房地产价格在法国、希腊、挪威和波兰失业率统计上显著相关( 43]。同时,爱尔兰相关研究证明,在低水平的失业率、房地产价格增长( 44]。

数据 11, 12, 13说明房地产价格的变化,预测在不同发展水平的国家(高、中、低发达)年平均净收益的影响。年平均净收益的增长是紧随其后的是输出variable-real房地产价格的增长在观察到的国家。实证研究表明在过去的几十年,收入的增长率(收益)是一个重要的决定因素的房地产价格的增长。因此,在高度发达的国家,收入增长(收益),以较低的利率和较慢的贷款条件,被认为是一个关键因素在房地产价格的快速上涨 45]。某些模型,如P-W模型,表明房价的功能周期性失业率,收入、人口、融资购房成本,和建筑材料的成本 46]。

房地产市场的经济和社会重要性与整体经济发展,但楼市也可以脆弱和危机的原因。因此,评估房地产的价值问题一直是当前和复杂的影响由于大量的变量,像往常一样在文献中已被公认的宏观经济、建设、和其他因素。与传统的房地产评估方法,新方法已经发展对房地产市场价格进行评估。除了享乐方法在过去的几十年,人工神经网络模型提供更加客观和准确的估计已经开发出来。本文介绍了房地产市场价格的预测模型基于人工神经网络的欧盟国家。

粗糙和房价的快速估计大约85%的可靠性,可以使用一个训练神经网络。我们认为获得的可靠性水平是非常高的,它是关于建模的社会技术系统。更准确的价格和可靠的信息可以获得更大的一组输入参数是否包括在内。

结果表明,神经网络模型输入变量的非线性行为和推广房地产价格数据随机输入的网络培训范围。模型显示一个满意的程度的预测精度保证其适用性的可能性。