关于我国房价与地价关系的实证分析

本文采用2003～2009年全国土地交易价格指数和房屋销售价格指数的季度数据作为样本,通过单位根检验、协整检验以及误差修正模型,研究地价对房价的影响程度,得到了反应房价和地价的长期回归模型,以及反应其短期关系的误差修正模型。     

基于人工神经网络的PPI预测模型

将人工神经网络模型引入到工业品出厂价格指数预测领域,利用我国1990年-2008年的工业品出厂价格指数数据,建立了工业品出厂价格指数预测的人工神经网络模型。实验结果表明:基于BP算法的神经网络模型预测精度高,而且收敛速度快,它为工业品出厂价格指数预测工作提供了一种全新的方法。     

言论

国家发展改革委，国家统计局日前公布调查显示，2006年10月，全国70个大中城市房屋销售价格同比上涨5.4%，其中北京以10.7%的涨幅领先全国，这是自2005年7月份“70个大中城市房屋销售价格指数”开始公布以来北京房价连续上涨的第15个月。     

市场动态

2月一线城市楼价环比下降国家发展改革委、国家统计局日前发布的《2008年2月份70个大中城市房屋销售价格指数》显示,2月份全国70个大中城市房屋销售价格同比上涨10.9%,涨幅比1月低0.4个百分点;环比上涨0.2%,涨幅比1月低0.1个百分点。数据显示房价相比1月份基本处于停滞调整状态。一线城市北京、上海、广州、深圳房屋销售价格环比涨幅微弱甚至     

深圳市二手房价格指数分形特征研究

深圳市二手房销售价格指数的时间序列存在非线性和自仿射性的特征,且呈现出某种趋势和循环周期的特性;因此对其价格指数分形特性的研究,为掌控房价指数的走势提供量化的依据。文章以深圳市2005年1月—2015年2月每月的二手房销售价格指数为研究对象,运用R/S分析方法进行分析,证明二手房价格指数具有分形特征,且具有显著的长期记忆性特征。在此基础上,建立基于序列和变换的分形模型,对深圳市二手房短期的价格指数进行预测,以期为投资者和管理运营者提供参考信息。     

趋势

央行报告：全国房屋销售价格涨幅趋于平稳；杭州房价涨幅大幅回落 炒房失去赢利空间；房地产公司股价出现持续扬升；中原数据：北京城区二手房报价指数下跌……     

滇中城市经济圈房地产价格传导研究

本论文主要分析滇中城市经济圈昆明,玉溪,曲靖,楚雄,武定房价的传导效应。首先介绍图模型DAG方法的基本原理和算法,且建立房价指数的VAR模型,通过对VAR模型各项之间的偏相关系数分析,确定各个变量之间的同期因果关系,为结构VAR模型的过度识别提供限制。通过方差分解对房价传导的动态因果关系和强度的分析,其实证结果对预测有交互影响的区域内不同城市的房价变动趋势具有很强的借鉴意义。     

基于向量自回归的存量住房房价租金比分析

1998年住房制度改革以来,房屋销售价格和租金均呈上涨趋势,但两者在增速上有明显的不同。本文基于动态Gordon模型,用一阶向量自回归的方法研究了8个城市房地产市场预期和非预期的房价租金比,结果表明向量自回归模型预测杭州、深圳、武汉、成都、北京的对数房价租金比效果较好,上海的房价租金比最不容易预测。未预料到的房价租金比的决定有明显的地区差异,西部地区的城市主要受租金流新信息的影响,长三角城市受收益率新信息的影响非常大,其他地区的城市主要受收益率新信息的影响。     

数字说话

房价指数106．4 国家统计局发布2010年全国房地产市场运行情况信息：2010年全国70个大中城市房屋销售价格平均指数为106．4，比上年同期上涨6．4点。其中，新建住宅价格指数为107．6，二手住宅价格指数为105．0。海南三亚和海口分别以143．3和135．5成为全国房价指数最高的城市。     

货币政策和居民收入对房价影响的实证分析

近年来,房地产价格持续快速增长,影响房价的因素有很多,文章以辽宁省为例,建立贷款利率、货币供应量、城镇居民可支配收入和房屋销售价格的VAR模型,进行实证研究。利用EVIEWS7.0软件对模型进行脉冲响应函数和方差分解分析,得出贷款利率、货币供应量和居民可支配收入均对房价产生正向影响,并且居民可支配收入的贡献度最强,五年以上贷款利率贡献度最弱。     

基于我国CPI时间序列的神经网络预测模型

近年来,我国的居民消费价格指数涨幅屡创新高。根据我国1990年-2008年的CPI时间序列,首先利用时间序列分析方法确定输入向量,然后应用改进BP算法的人工神经网络分别预测出2011年和2012年我国CPI将分别为104.9和105.2,实验结果证实了BP神经网络模型用于CPI预测的准确性和可行性。     

人工神经网络用于短期电力负荷预测网络结构初探

目前,在电力系统短期负荷预测的手段中,已由人工预测方式逐步被软件预测方式所代替。BP人工神经网络是最常用的建立负荷预测模型的工具之一,文章对建立电力负荷BP神经网络预测模型（网络结构）进行了讨论。     

基于集成学习的多式联运货运量预测模型构建

货运量精准预测是多式联运网络高效协同发展的重要基础,货运量时变性强、数据多样性缺失是实现精准货运量预测的问题所在。基于此,通过挖掘货物运输量(集装箱)的时间变化特征,构建初始相关时间特征输入集,结合斯皮尔曼相关性系数分布,采用Bagging+BP集成学习方法训练多个弱分类器,最终组合获取高精度的强学习模型。以南京龙潭港为例,对自回归移动平均模型(ARIMA)、Bagging+BP集成学习网络以及长短时记忆神经网络(LSTM)三种模型进行评价,实验结果表明,相比于其他模型,提出的Bagging+BP集成学习网络预测性能良好,有一定的实用价值。     

Text-based crude oil price forecasting: A deep learning approach

This study proposes a new, novel crude oil price forecasting method based on online media text mining, with the aim of capturing the more immediate market antecedents of price fluctuations. Specifically, this is an early attempt to apply deep learning techniques to crude oil forecasting, and to extract hidden patterns within online news media using a convolutional neural network (CNN). While the news-text sentiment features and the features extracted by the CNN model reveal significant relationships with the price change, they need to be grouped according to their topics in the price forecasting in order to obtain a greater forecasting accuracy. This study further proposes a feature grouping method based on the Latent Dirichlet Allocation (LDA) topic model for distinguishing effects from various online news topics. Optimized input variable combination is constructed using lag order selection and feature selection methods. Our empirical results suggest that the proposed topic-sentiment synthesis forecasting models perform better than the older benchmark models. In addition, text features and financial features are shown to be complementary in producing more accurate crude oil price forecasts.     

基于BP神经网络的西安市宏观经济预测

宏观经济系统是一个复杂的非线性系统,对宏观经济进行预测应采用非线性的工具进行建模。采用BP神经网络对西安市宏观经济指标进行预测,此预测模型只需少量训练样本就可以确定网络的权值和阈值。实验表明模型预测精度高,能够对西安市宏观经济系统中的非线性关系进行描述,使建立的非线性模型与实际系统更加接近。     

Elman网络在短期负荷预测中的应用

文章介绍的Elman神经网络的短期负荷预测模型,具有模型简单、运算效率高的特点,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷。文章还比较了Elman网络和BP网络结构的建模效果。通过仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点,是一种实用、可靠的负荷预测方法。     

主成分分析—BP神经网络在备件需求预测中的应用

备件需求预测在装备维修保障中占据重要的地位,针对当前主要以经验为主进行估计,与实际需求相差较大,提出基于主成分分析—BP神经网络模型的备件需求预测方法。首先利用主成分分析方法去除原始输入数据的相关性,降低数据维度,减小网络规模,选择合适的隐含层的BP神经网络。最后通过结合实例进行分析,取得较好的效果。     

Forecasting stock index price using the CEEMDAN-LSTM model

This paper uses a mixture model that Long Short-Term Memory (LSTM) combines with Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) to forecast stock index price of Standard & Poor's 500 index (S&P500) and China Securities 300 Index (CSI300). CEEMDAN decomposes original data to obtain several IMFs and one residue. The LSTM forecasting model utilizes the decomposed data to obtain the prediction sequences. The prediction sequences are reconstructed to gain final prediction. The paper introduces contrast models such as Support Vector Machine (SVM), Backward Propagation (BP), Elman network, Wavelet Neural Networks (WAV) and their mixture models combined with the CEEMDAN. The MCS test is used as evaluation criterion and empirical results present that forecasting effects of CEEMDAN-LSTM is optimal in developed and emerging stock market.     

基于粒子群优化算法(PSO)的电力需求预测分析

在电力需求预测领域,本文提出了基于粒子群优化算法(PSO)的组合预测模型,选用灰色GM(1,1)模型和BP神经网络作为单个预测模型,并在BP神经网络中将GDP指标做为输入。同时考虑了GDP对电力需求的影响,最后利用PSO对组合预测模型中的权系数进行优化以得到最优结果。根据真实数据所做对比,本文所提出的PSO算法在预测精度上较单一预测模型相比有了较大幅度的提高。