文摘

由于流行,丧失抵押品赎回权,作为一种特殊的交易商品,也在一定程度上受到影响。本文使用的示例数据止赎拍卖结合遗传算法的多层前馈神经网络应用在止赎的预测市场的趋势。首先,选择影响止赎房屋的价格波动的指标,利用因子分析技术减少原始数据的维数获得两个常见因素;然后结合BP神经网络和遗传算法提出GA-BP止赎住房市场的神经网络预测模型以影响因素为模型的输入和住房价格作为输出。最后,预测结果与多元线性回归和极端的学习机器,这表明GA-BP神经网络模型的研究,这是一个很好的选择,它提供了一个有效的方法预测房价。

1。介绍

作为一种流通的商品,止赎房屋也符合市场运作的法律。止赎房屋的供给和市场需求确定他们的市场地位1- - - - - -5]。这两个是相关的,但是在另一个层面上,止赎房屋与生俱来独特的特性,不同于其他的房子。特点,即国家司法强制力和执法权力授予本身在某种程度上,占据了很大的优势,也就是说,便利和独特性的销售和转让链接(6,7]。因此,不能有一个颠覆性的流行对丧失抵押品赎回权的影响。更多的观点指出,近年来,国内市场已经疲软和低迷,很多公司和个人都面临破产,银行和金融机构越来越多的违约。初受疫情影响,经济形势预期使得人们无法乐观8- - - - - -11]。相信抵押房产供应很快就会迎来一个高峰时期。供应增加,市场购买力没有跟进。然后取消抵押品赎回权的优势属性不能反映。投资或刚性需求的减少,价格将不可避免地下降,止赎房屋的市场价格无疑将触底(1,12- - - - - -15]。

要多长时间将从普通房地产司法拍卖,从诉讼的最终执行拍卖吗?两年尽可能快,三到五年内尽可能慢(16,17]。这个周期的持续时间决定了丧失抵押品赎回权的供应的稳定。由此,不难知道,止赎房屋的供应来源的分析,概率止赎拍卖将增加或减少的速度在短时间内是极低的。众所周知,止赎拍卖室以来转换从离线到在线,中国拍卖平台,淘宝,JD.com和其他在线平台加入了与人民法院,和专业的拍卖机构在协助解决,和全国法院系统的在线拍卖工作变得更加标准化和功能。总体而言,止赎拍卖的数量逐年稳步提高(5,18- - - - - -21]。

各种方便的在线取消抵押品赎回权交易被购房者被广泛接受,丧失抵押品赎回权无疑是一个漫长的夜晚的灯塔买房的梦想被限制购买政策,许多买家和投资者希望。为中产阶级以上的家庭,无论是为下一代部署在大城市提前帮他们安顿下来,或使家庭资产更安全、更欣赏和保护、买房子应该是一个相对安全的和可行的方法。止赎房只是满足这些家庭的需要。“无限购买”的闪亮的迹象已经吸引了全社会的关注,和所有丧失抵押品赎回权有一个正式的交易平台,和丧失抵押品赎回权被人民法院支持,操作规范,招标是透明的,可以解释拍卖在最大的程度上。”的内涵公平、公正和开放;更重要的是,专业的辅助机构提供各种周到和体贴的服务,消除疑虑和担忧。对于那些真正理解止赎,这无疑是一个“泄漏”,尽管“Leak-picking”是一种投机行为,但它也可以被理解为一个市场行为,和大量的刚性需要组织一直存在。巨大的市场需求和差距决定市场的合理性。受到疫情影响,影响社会各个角落丧失抵押品赎回权作为一种特殊的交易商品应列其中。至于其影响的范围和深度,仍没有结论(12]。到目前为止,已经取得了很大的进步在房价预测研究方法。胡锦涛冯分析历史数据从2006年到2015年通过建立回归模型,并得到了影响房价的主要因素。张Shuangni建立了住房价格基于逐步回归预测模型。刘Cong建立了一个基于主成分回归分析模型在分析房地产价格的影响因素,并建立了时间序列模型在预测房价。

为了进一步提高止赎房价预测模型的准确性,本文使用止赎信息数据结合遗传算法的多层前馈神经网络(遗传algorithm-back传播,GA-BP)应用于丧失抵押品赎回权市场趋势预测。首先,选择影响的指标丧失抵押品赎回权的房子价格的波动,并使用因子分析技术来减少原始数据的维数获得两个常见因素;然后,使用GA-BP神经网络BP神经网络和遗传算法结合起来。,put forward a prediction model for the foreclosure housing market based on GA-BP neural network, which takes the influencing factors as the input of the model and the housing price as the output; finally, the prediction results are compared with multiple linear regression and extreme learning machine, which proves that the method is suitable for foreclosure auctions. Advantages in housing price forecasts.

2。丧失抵押品赎回权的影响因素的确定基于因子分析的房价

2.1。因子分析方法选择指数

因子分析方法是一种多元统计方法,从变量中提取常见因素组,从而实现多个变量降维。首次使用因子分析心理学领域的研究基本因素影响人类智慧,现在它已广泛应用于不同的学科。本文使用拍卖行的数量和交易榆林城市的法院系统(包括地区、县),计数的拍卖行和事务法院系统从2018年到2021年为例,并选择指标影响止赎房屋价格的波动。使用SPSS19进行因子分析,指标如表所示1。(1)适用性测试。止赎房的相关变量输入SPSS19,和KMO值为0.765,大于0.5,所以有一个变量之间的相关性。巴特利特球形测试,P值为0,这是小于0.05,认为变量之间不存在显著差异。因此,常见的因素可以提取,适合因素分析。(2)因子旋转和解释。计算两个常见因素:第一个因素有更高的负载x1, x2, x3, x4, x5,并命名为“止赎市场影响因子;第二个因素对x6, x7出数负荷越高,这种被命名为房地产市场的影响因素。根据特征值大于1和累积方差贡献率达到92.689%,原8变量终于在维数降低。(3)计算系数的函数。得到因子函数根据得分系数矩阵,其中,z_我(我= 1,2,8)的标准化变量x_我:F₁= 0.237z₁+ 0.003z₂+ 0.221z₃+ 0.176z₄+ 0.192z₅+ 0.271z₆+ 0.099z₇+ 0.166z₈,F₂= -0.081z₁+ 0.266 z₂-0.045z₃+ 0.036z₄z5 - 0.177 - z6 + 0.01 - 0.403 - 0.459 z7——z8等车型后。亨里克·菲克斯

2.2。数据预处理

研究中使用的数据来自于止赎住房价格省法院系统的数据集。然后下面的数据处理方法采用根据数据的数据集,数据归一化是一种重要的技术。一般来说,在使用神经网络模型之前,它必须被用来预处理数据。它可以规范每个特性的输入数据集。如果没有预处理模型在训练之前,该模型可能无法收敛到最优解。在多指标评价方法中,由于每个评价指标的性质不同,它通常有不同的维度和数量级。如果直接使用初始数据,不同维度的数据对网络会有不同程度的影响,这将最终很难学习模型。。因此,需要执行一系列的标准化处理原始数据,然后输入到神经网络模型,它可以减少后续模型训练的难度,提高网络模型的性能。数据标准化是规模较小的特定区间的数据。通常用于比较和评估指标,删除原始数据的单位限制,消除不同的数据的大小,适用于综合比较和评价不同维度的指标。

2.2.1。重复值的处理

在获取数据时,经常有一些重复的数据,重复的数据会影响统计结果和误导决策者。使用复制功能,一直是用python编写的,将比较所有列。如果每一列的值在两行是一样的,它将被标记为一个重复的值。

2.2.2。异常处理

z分数标准化方法标准化的数据根据原始数据的平均值和标准偏差。所有的数据都可以转化为一个区域接近于零。此法适用于情况的最大范围和最小范围属性数据是不确定或存在。在离群值的情况下,处理数据满足正态分布的意思是0和1的标准偏差。

其中包括:μ总体平均,X -μ平均偏差,σ标准偏差。的绝对值z代表原始分数之间的距离在标准偏差和整体的意思。确定z分数分数大于2.2(这里2.2代表了经验值),如果是,这是真的,否则它是假的。直接删除的数据行判断结果是正确的。

2.3。模型评价方法

是非常重要的评价预测模型的性能。一般测量模型的精度和训练时间,并选择一个合适的成本函数模型的测量结果来评估模型的优缺点。如果损失很大,这意味着预测价值远远偏离了实际价值,预测结果不理想;损失越小,模型效果越好;如果预测的值等于真正的价值,它意味着没有损失。有不同的方法来选择适当的和有效的不同模型误差分析。MSE的4评价方法,美,电动汽车,R²是用来评估模型的训练效果。

2.3.1。均方误差(MSE)

范围(0,+∞)。预测值时一模一样的真正价值,它被称为一个完整的模型;否则,误差越大,价值就越大。

2.3.2。平均绝对误差(MAE)

范围(0,+∞)。预测值时一模一样的真正价值,它被称为一个完整的模型;否则,误差越大,价值就越大。

2.3.3。均方根误差(RMSE)

公式,也称为标准错误,代表的平方误差的期望值并能反映一个数据集的分散度n是测量的数量模型。

2.3.4。平均绝对误差百分比(日军)

范围(0,+∞)0%的地图显示一个完美的模型,和一个日军超过100%表示差模型。从配方的角度来看,日军和梅有相似之处,不同的是主要在分母上的位置。当真正价值数据等于0,有问题的分母除以0,这个公式并不是可用的。

2.3.5。绝对系数(R²)

越接近1,效果就越好。R2的意义从最小二乘的角度(即二阶方差),表明有多少实际的方差y解释的预测价值y价值。

2.3.6。差异解释分数(EV)

剩余的均值为0时,R2是一样的。

3所示。2 ga-bp神经网络算法

遗传算法是一种全局搜索的进化算法,指的是生物进化的过程。类似于生物进化过程中,通过选择遗传算法模拟生物进化,自卑,和变异产生下一代的解决方案。通过计算和排名的健康个体,个体的适应性较低的消除,个人健康是高的比例增加。经过几次迭代计算,各个解决方案的最佳适应度函数值。遗传算法的启发式最优解搜索方法与BP神经网络相结合可以有效地解决这个问题,BP神经网络容易陷入局部最优解,并提高房价的预测的准确性。GA-BP神经网络过程如图1。

3.1。遗传算法初始化

遗传算法需要解码解决数据解空间的基因型串结构数据之前使用它。常用的编码方法是二进制编码方法,和不同的串结构数据构成了不同的点。N字符串编码生成的数据结构表示不同的个体。通过不同个体的表现,总群出生终于形成,也被称为初始种群。

3.2。健康评估

健身表明个人的适应能力,同时也表明个人的优点和缺点。的公式计算个人的适应能力

的公式,米是样品的总数;x_我遗传算法的输出结果;O_我遗传算法的实际输出结果,和mse代表了均方误差函数。

3.3。基因操作

适者生存的原则用于群体选择遗传算法选择好的个人遗传繁殖的下一代。适应性强的人可以通过继承优秀的基因传递给后代。在本文中,采用比例选择策略,人口数据量设置为米,那么个体的适应性公式我是

的公式,k是遗传系数。

在遗传算法中,下一代的个体是通过交叉复制操作,以获得新的个人特征。交叉操作是用来交换遗传信息,和突变个体随机改变字符串的字符串的价值结构数据有一定概率,小价值的特点。

3.4。遗传算法和BP神经网络的组合

使用遗传算法搜索最优值可以减少计算的BP神经网络,优化BP神经网络的计算过程。

BP神经网络利用神经网络的模型结构,并构建了一个高度复杂的学习系统通过大量神经元的互连。它具有较强的自组织、自适应和自学习能力,任意复杂的模式分类能力和优秀的多维函数映射功能。BP网络由输入层、输出层和隐含层。隐藏层神经元计算数据通过设置一个或多个层,每一层的神经元可以有几个节点。BP神经网络共同语言的模式分类问题,如双重隐藏分类速度快的优势,所以两个隐藏层的BP神经网络结构是本文中使用。神经网络通过调整权重矩阵和误差反馈每一层之间实现负载的预期的输出结果。与传统的人工神经网络相比,双隐层BP神经网络提高了并行处理大量数据和精度。BP神经网络图所示2。

本文上述指数影响房价的因素总结作为输入因素,和预测房价作为输出。

BP神经网络的输入向量 ,体重矩阵输入层和隐层的年代_倪(1)<n<N1 <我<我),第一个隐层之间的权矩阵,第二个隐藏层是W_ij(1)<我<我1 <j<J),第一个隐层的输出向量 ,节点的阈值我是θ我第二个隐藏层的输出向量 。节点的阈值j是θj,权重矩阵的第二个隐藏层和输出层是Wjn,输出层的输出向量 ,节点的阈值n是θ_nf (x)是激活函数。输入n维向量,然后第一个隐层节点的输出我是

第二个隐层节点的输出j是

中的第n个节点的输出结果输出层

为了提高BP神经网络的收敛速度,输入数据是标准化减少变化的范围和增加区间选择的灵活性。公式如下: 地点:t_j神经网络的输入值,t_我的归一化值区间[0,1],然后呢t_最小值是最小和t_马克斯最大值的样本,分别。

激活函数如下:

鉴于上述分析,通过选择的因素影响止赎物业,GA-BP神经网络止赎房产市场建立预测模型,可以有效地预测房地产的价格。

4所示。实验分析

本文使用Matlab平台设计和实现一个丧失抵押品赎回权市场基于GA-BP神经网络预测模型。根据因子分析的结果,获得F1和F2作为模型输入,和住房价格作为输出,建立房地产价格预测模型。实验数据来自法院的拍卖和交易系统在某个省从2018年到2021年为样本数据。本文将数据划分为训练集和测试集,这些数字分别为580人和480人。GA算法参数设置如下:迭代的数量是200,选择概率为0.8,交叉概率为0.6,变异概率是0.08。

模型第一次迭代时,人口的个人的健身价值远非最佳的健身价值,和个人健身值显著增加。后期的迭代模型,由于模型的连续收敛,人口个人健身价值变得越来越接近最佳的健身。完成上述工作后,全局最优初始体重阈值搜索的遗传算法可以获得,重量和初始阈值可以带进网络训练BP网络。设置训练BP网络的参数:输入层的神经元数是6,隐层神经元的数量是9,输出层神经元的数量是1,和单极乙状结肠函数被选中传递函数,选择梯度下降法的BP训练算法训练的训练函数,训练时间的最大数量是200,学习速率为0.1,最小均方误差的学习是0.003。根据选定的12个输入向量,输出数据规范化。总结步骤建立一个房价预测模型如下:(1)在SPSS19输入原来的索引数据(2)使用SPSS19指标因子分析来实现降维,并获取新的变量值(3)从2018年到2020年使用数据作为训练样本,并从2017年到2018年的数据作为测试样本(4)建立一个基于训练样本GA-BP神经网络预测模型(5)根据测试样本,验证模型的准确性

根据所构造的模型,使用Matlab建立BP神经网络模型有两个隐藏层,输入规范化数据迭代,直到输出结果满足预测精度要求的实验。训练和测试样本的预测结果通过GA-BP神经网络算法分析如图所示3和样本选择显示。

图3是一个拟合图模型的训练数据。虚线是原始训练集,实线是GA-BP模型的预测结果与训练集训练训练集的每个数据。可以看出,预测结果可以更好的住房价格变化的趋势追踪,预测误差小,拟合效果很好。

从图可以看出3GA-BP算法的预测有一定的效果,但不可能得出准确结论只通过观察图。因此,模型评价算法需要用来评估模型。4评价方法如MSE、美,电动汽车,R²是用来评估模型的训练效果。模型的误差分析细节评价如表所示2。

从表可以看出2更好的模型是GA-BP模型。当模型用于适应训练数据,其他三个模型稍微不那么有效。当GA-BP算法训练模型,学习错误很多次,所以训练数据的预测效果更好。

5。结论

本文首先选择的指标影响价格波动的止赎房屋,使用因子分析技术减少原始数据的维数,并获得两个常见因素;然后,结合了止赎房屋样本数据与GA-BP模型的方法来确定法院系统的止赎住房价格预测,预测的价值相对比较接近实际值。此外,通过比较预测结果与多元线性回归和极端的学习机器,它证明了这种方法的优越性在止赎房屋价格预测的准确性,这表明GA-BP神经网络模型是有效的在可预见的研究房价的预测。一个不错的选择,为房价的预测提供了一种有效的方法。(22]。

数据可用性

数据集可以在访问请求。

的利益冲突

作者宣称没有利益冲突。