我国房地产价格发展趋势研究

 本文从房地产价格的相关理论出发，主要从房地产需求、房地产供给、房地产金融和房地产宏观调控等角度对影响房价的因素进行了分析，并从实证角度分析了各因素对房价的影响。本研究运用近10年房地产价格季度数据和时间序列模型对房地产价格发展趋势进行预测，最后提出房地产价格发展预警和稳定房价的建议。     

武汉地区房地产价格的季节性变动

本文通过对武汉地区房地产价格的季节性因素动态变化性分析,发现并度量了经济政策和季节性因素对房地产价格的影响,建立了相关的评价模型,并用模型检验价格走势的季节性因素动态变化性以及政策因素对房地产价格的影响力度,在此基础上我们运用最新的X12季节性调整方法对武汉地区房地产价格的季节性因素进行分析,并建立了X12季节性调整组合模型.     

房地产市场价格的此较建模研究

近几年,我国房地产市场价格逐年攀升,引起了人们的广泛关注.研究房地产市场价格的变化趋势具有重要的理论和实践意义.笔者主要采用经济基本面数据,通过自回归、多元线性回归、RBF神经网络、自组织数据挖掘以及组合预测的方法来建立模型,然后对这些模型进行评价,并从中找出最能反映现实房地产价格变化趋势的模型.     

房地产市场价格的比较建模研究

近几年,我国房地产市场价格逐年攀升,引起了人们的广泛关注。研究房地产市场价格的变化趋势具有重要的理论和实践意义。笔者主要采用经济基本面数据,通过自回归、多元线性回归、RBF神经网络、自组织数据挖掘以及组合预测的方法来建立模型,然后对这些模型进行评价,并从中找出最能反映现实房地产价格变化趋势的模型。     

基于预测期的变权重组合预测法及其应用

文章针对传统变权重组合预测利用基期误差最小化,求得权重与各个单预测方程预测期的预测值进行组合预测的问题,在充分考虑时间信息匹配的基础上,基于变权组合预测的基本原理对最小误差进行了预测修正,使原误差矩阵进行新陈代谢求得预测权重代替基期权重,使预测方程更加平稳.实例验证了预测结果的合理性.     

基于Elman神经网络的房地产价格预测

文章针对房地产价格的动态特性,提出了基于Elman神经网络的房地产价格预测方法,并通过其对上海市房地产价格的预测,证明了该方法的有效性,为房地产价格预测提供了一条新的方法。     

灰色系统与BP神经网络组合模型及其应用

影响财政收入的因素有很多,各因素之间信息重叠的现象较严重,文章通过逐步回归选择了影响财政收入的几个显著因素.又鉴于灰色系统对小样本数据预测的优良特性,对每个选定的影响因素建立灰色预测GM(1,1)模型,得到各因素2015年、2016年的预测值.运用BP神经网络模型对1995-2014年数据进行训练,将灰色预测得到的预测值代入训练好的网络中,预测出2015年、2016年的安徽省的财政收入.     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.     

油田产量的最优加权组合预测方法

文章利用因子分析法,对影响油田产量的多个因素进行分析.最终用较少的变量代替原来各因素.然后基于BP神经网络方法和多元回归预测方法,建立最优加权的组合预测模型.对油田的产量进行预测.经验证,组合后的模型比单一模型预测效果更好,对实际生产有一定的指导意义.     

利率期限结构预测、国债定价及国债组合管理

国债利率期限结构是固定收益产品定价和投资组合管理的核心问题。本文利用NARX（Nonlinear AutoRegressive network with eXogenous inputs）神经网络模型研究利率曲线的运动机制,拟合并预测利率期限结构,在此基础上利用Hermite插值方法构造平滑的利率曲线并计算得到国债理论价格及其预测值。实证分析发现我国国债定价效率不足,交易价格显著偏离理论价格,但国债的理论价格的实际值和预测值均对交易价格具有显著的预测能力。基于上述发现本文提出了主动国债组合管理策略,通过预测的期限结构得到国债理论价格的预测值构建的多空对冲组合和单边多头组合均能获得显著的收益。本文的研究丰富了利率期限结构的研究方法,提出的主动国债组合管理策略对通过交易提高国债定价有效性具有参考价值。