基于百度指数的房地产价格相关性研究

文章以我国大中城市的新建住宅价格为研究对象,以均衡价格理论为基础,使用搜索关键词的百度指数开展研究,分别使用自回归移动平均模型(ARMA)和带搜索项的自回归分布滞后模型对上海市的新建住宅价格指数进行了拟合和预测.实证结果表明:百度搜索指数与价格指数之间存在协整关系,建立的自回归分布滞后模型的拟合度达到0.918,预测精度相较ARMA模型提高23.2％.与传统的预测方法相比,模型具有很强的时效性,能够比国家统计局提前一个月发布房屋价格指数数据.     

基于蝙蝠算法SVR模型的北京市二手房价预测研究

传统SVR模型可预测房价变化趋势,但不恰当的参数设置会影响预测的精度。本文针对北京二手房同比价格指数的非线性变化特征,将蝙蝠算法(BatAlgorithm,BA)引入到SVR模型中,使其对模型的三个参数进行优化设置,结合网络搜索数据(Web Search Data,WSD),构建了BA-SVR&WSD混合模型,并给出了该模型算法的预测流程,通过引入多个基准预测模型和预测性能度量指标进行对比研究。研究结果表明：基于蝙蝠算法的SVR模型的具有较好的泛化能力、预测效果更准确且预测精度更高,该预测方法也为北京二手房价格的监测和调控提供有价值的参考。     

基于大数据的碳价预测

为了研究大数据是否能够帮助我们预测碳排放权价格,本文讨论了结构化数据和非结构化信息对预测碳价所起的作用。结构化数据选取了国际碳现货价格、碳期货价格和汇率,非结构化信息选择百度搜索指数和媒体指数。考虑到当解释变量很多时,平等对待每一个解释变量是不合理的,所以提出了网络结构自回归分布滞后（ADL）模型,在参数估计和变量选择的同时兼顾了解释变量之间的网络关系。实证分析表明,网络结构ADL模型明显优于其他模型,可以获得较高的预测准确性,更适合基于大数据的预测。     

基于机器学习LSTM&US模型的消费者信心指数预测研究

消费者信心指数等宏观经济指标具有时间上的滞后效应和动态变化的多维性,不易精确预测。本文基于机器学习长短时间记忆(Long Short-Term Memory,LSTM)神经网络模型,结合大数据技术挖掘消费者信心指数相关网络搜索数据(User Search,US),进而构建一种LSTM&US预测模型,并将其应用于对我国消费者信心指数的长期、中期与短期的预测研究,同时引入多个基准预测模型进行了对比分析。结果发现:引入网络搜索数据能够提高LSTM神经网络模型的预测性能与预测精度;LSTM&US预测模型具有较好的泛化能力,对不同期限的预测效果均较稳定,其预测性能与预测精度均优于其他六种基准预测模型(LSTM、SVR&US、RFR&US、BP&US、XGB&US和LGB&US);预测结果显示本文提出的LSTM&US预测模型具有一定的实用价值,该预测方法为消费者信心指数的预测与预判提供了一种新的研究思路,丰富了机器学习方法在宏观经济指标预测领域中的理论研究。     

农产品价格预测模型的构建

农产品价格变动关乎农民收入的增长和生活水平的提高,同时也是农业管理部门决策的重要依据.针对农产品价格预测这一问题,文章先后建立了指数平滑模型、ARIMA(求和自回归移动平均)模型及基于二者的组合预测模型,并结合2011-2015年西安朱雀市场胡萝卜的月度价格数据,依据所建立的三个模型应用SPSS等相关软件对未来短期胡萝卜价格进行预测分析.预测结果显示:组合模型比单个预测模型预测精度更高,是一种有效的农产品价格预测模型.     

把油门当刹车的日子

2003年,北京马连道茶叶一条街边上的格调小区,商品房的均价是7000元/平米,2011年,该小区二手房的价格已经超过32000元,8年时间涨了357%,年均涨幅为21%,这还是用房龄8年的二手房与当年的新房相     

城市住宅价格空间分异及影响因素研究

文章以济南市主城区5个市辖区430个二手房住宅小区为研究对象,以住宅小区2015年3月销售均价为样本数据,选取12个影响因素构建加权地理回归(GWR)模型对济南市住宅价格的空间分异状况及各因素的影响情况进行研究,并与最小二乘法(OLS)进行比较.结果表明,局部参数估计的GWR模型优于OLS模型,能够更确切地反映住宅价格的空间分布及变化情况.     

基于投资混频数据的中国经济波动预测

文章基于投资与经济波动之间的相关关系,充分体现统计调查数据和网络搜索数据的优势,利用两种数据对中国宏观经济波动进行研究。针对混频数据的特点和深度学习算法的优势,提出了融合混频数据和深度学习的宏观经济预测方法。首先,考虑到政府统计调查数据与经济波动的强相关性,选取政府投资统计月度指标合成投资统计指数;然后,结合网络搜索数据的时效性和高频性,选取与投资相关关键词的百度指数日度数据合成投资网络搜索指数;最后,构建多源混频数据长短期记忆神经网络模型（MM-LSTM）,利用中国2011—2022年的相关数据进行实证研究,并考察模型的精度与时效性。结果表明,投资相关指标与中国GDP增长率之间存在正向关系;网络搜索数据的加入有助于提升宏观经济预测的精度;MM-LSTM模型提高了短期和中期的预测精度,具备提前预测能力,可为相关部门提供决策依据。     

互联网大数据下消费搜索指数的构建与应用

文章结合2013年1月1日至2020年6月30日的百度指数这一高频互联网大数据，利用主成分分析法构建高频居民消费搜索指数。在此基础上，将高频搜索指数拓展进ADL-MIDAS混频模型，对居民消费情况展开实证分析和预测。研究发现：所构建的消费搜索指数能较好捕捉居民在双十一、春节、新冠肺炎疫情期间的潜在消费行为变动情况，总体上，居民对消费相关事件的网络关注度变化会对居民消费水平产生显著影响，消费存在显著的耐久效应，收入增长对消费的促进作用明显。此外，引入高频消费搜索指数的混频模型，对比基准模型，在多步向前动态预测和实时预测上都呈现较高的预测精度和较好的稳定性。     

基于网络搜索量和混合频率模型的经济变量预测研究

针对大数据背景下利用互联网搜索量数据进行经济预测的问题,提出建立能够充分利用高频变量信息的混合频率模型,并尝试解决建模过程中的关键词选取、数据预处理和降维等问题。在对金融和消费领域预测的实证研究中,经过筛选的关键词搜索量变量与作为预测对象的经济变量是高度相关的,并且混频模型相对于经过频率转换的模型具有更优的估计量性质和更高的样本内外预测精度。同时,根据估计结果得到的权重函数还可以发现月内各日搜索量在预测模型中的贡献度分布具有不同模式,借助该分布模式可以对经济主体行为进行描述和测度,也为搜索量数据的频率转换提供了一些参考。