Прогнозирование рынка недвижимости с помощью нейронных

Прогнозирование рынка
недвижимости с помощью
нейронных сетей
На примерах торговой, офисной
и жилой недвижимости г. Москвы
Схема искусственной нейронной сети
- входной слой
- внутренние слои
- слой выхода
Архитектура нейронной сети для
прогнозирования ставок арендной платы в
торговых центрах
Архитектура нейронной сети для
прогнозирования ставок арендной платы в
офисах класса А
Архитектура нейронной сети для
прогнозирования цен на квартиры
Результаты нейросетевого
моделирования
2500
долл. за кв.м .
2000
1500
1000
500
0
апр.01
ноя.01
май.02
дек.02
Ставки аренды в ТЦ
Цены на квартиры
Ставки аренды офисов (модель)
июн.03
янв.04
авг.04
фев.05
Ставки аренды офисов класса А
Ставки аренды в ТЦ (модель)
Цены на квартиры (модель)
Среднее абсолютное отклонение
различных методов прогнозирования
180,00
160,00
140,00
120,00
100,00
80,00
60,00
40,00
20,00
ре
гр
ес
с
М
но
ж
ес
т
ве
нн
ая
Не
йр
ос
ет
ь
ия
ия
Ре
гр
ес
с
Уи
нт
ер
са
М
ет
од
М
ет
од
Хо
ль
т
ив
ан
ие
сг
ла
ж
ср
ед
ня
я
Э
кс
по
не
нц
иа
ль
но
е
Ск
ол
ьз
ящ
ая
а
0,00
торговля
офисы
квартиры
Среднеквадратическая ошибка
различных методов прогнозирования
16 000,00
14 000,00
12 000,00
10 000,00
8 000,00
6 000,00
4 000,00
2 000,00
0,00
Скользящая средняя
Экспоненциальное
Метод Хольта
Метод Уинтерса
сглаживание
Регрессия
Множественная
регрессия
торговля
офисы
квартиры
Нейросеть
Средняя абсолютная ошибка (в процентах)
различных методов прогнозирования
16,00%
14,00%
12,00%
10,00%
8,00%
6,00%
4,00%
2,00%
ре
гр
ес
с
М
но
ж
ес
т
ве
нн
ая
М
ет
од
торговля
офисы
квартиры
Не
йр
ос
ет
ь
ия
ия
Ре
гр
ес
с
Уи
нт
ер
са
а
Хо
ль
т
М
ет
од
ла
ж
сг
Э
кс
по
не
нц
иа
ль
но
е
Ск
ол
ьз
ящ
ая
ср
ед
ня
я
ив
ан
ие
0,00%
Средняя процентная ошибка
различных методов прогнозирования
12,24%
7,24%
ре
гр
ес
с
ве
нн
ая
ес
т
М
но
ж
торговля
офисы
квартиры
Не
йр
ос
ет
ь
ия
ия
Ре
гр
ес
с
Уи
нт
ер
са
М
ет
од
а
Хо
ль
т
М
ет
од
сг
Э
кс
-7,76%
-12,76%
ла
ж
ср
ед
ня
я
по
не
нц
иа
ль
но
е
Ск
ол
ьз
ящ
ая
-2,76%
ив
ан
ие
2,24%
Autocorrelation Function of Residuals (Office)
1,0
1,0
0,8
0,6
0,4
Autocorrelation
Autocorrelation Function for Residuals (Retail)
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
2
Lag
3
Corr
4
T
5
LBQ
6
Lag
Corr
1
0,10
0,59
0,38
8
-0,19
2
3
0,04
0,05
0,23
0,30
0,44
0,55
9
10
-0,11
-0,09
4
0,06
0,34
0,70
5
6
0,01
-0,39
0,04
-2,16
0,70
7,05
7
-0,14
-0,66
7,84
7
T
-0,90
-0,53
-0,43
8
9
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
10
2
3
4
5
6
7
8
LBQ
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
9,42
1
0,33
1,52
2,65
8
0,06
0,24
5,61
2
3
-0,11
-0,09
-0,45
-0,35
2,94
3,14
9
10
-0,24
-0,14
-0,93
-0,52
7,97
8,84
4
-0,02
-0,09
3,16
5
6
-0,17
-0,21
-0,68
-0,84
3,99
5,42
7
0,04
0,14
5,47
10,03
10,44
Autocorrelation Function of Residuals (Flats)
Autocorrelation
Autocorrelation
Коэффициенты автокорреляции для
остатков нейросетевой модели
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
1
2
3
4
5
6
7
8
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
1
0,24
1,25
1,73
8
-0,12
-0,47
13,93
2
3
-0,30
-0,45
-1,51
-2,08
4,64
11,36
9
10
0,10
0,05
0,40
0,19
14,39
14,50
4
-0,15
-0,63
12,20
5
6
0,18
0,00
0,71
0,02
13,34
13,34
7
0,00
0,01
13,34
9
10
9
10
Гистограммы распределения
остатков нейросетевой модели
Histogram of Residuals (retail)
Histogram of Residuals (flats)
10
Histogram of Residuals (office)
8
6
8
5
6
4
6
4
3
4
2
2
2
Std. Dev = 66,28
0
-125,0
-100,0
-75,0
-25,0
-50,0
25,0
0,0
75,0
50,0
125,0
100,0
Mean = 11,1
Std. Dev = 42,03
N = 32,00
Mean = -4,6
N = 28,00
0
-80,0
-60,0
-40,0
-20,0
0,0
20,0
40,0
60,0
80,0
1
Std. Dev = 18,41
Mean = -9,6
N = 21,00
0
-60,0
-50,0
-40,0
-30,0
-20,0
-10,0
0,0
10,0
20,0
Выводы:



моделирование и прогнозирование тенденций на рынке
недвижимости с помощью нейронных сетей возможно и дает
неплохие результаты;
наилучшие результаты данный метод дает на рядах значений
со сложным поведением;
применение нейронных сетей на рынке недвижимости может
быть успешным из-за таких особенностей рынка
недвижимости, как, во-первых, большая инерционность и, вовторых, сроки инвестиций в недвижимость зачастую
осуществляются на более длительный срок, чем в другие виды
активов. Следовательно, возникает потребность в выполнении
прогнозов на средне- и долгосрочный периоды, что делает
неприменимыми традиционные методы прогнозирования и открывает
широкие возможности для использования нейронных сетей.