房价预测模型
房地产市场中的房价预测模型比较
房地产市场中的房价预测模型比较引言：随着经济的发展和城市人口的增加，房地产市场一直都是一个备受关注的领域。
了解和预测房价走势对于投资者、开发商和政府来说都至关重要。
然而，由于房地产市场的复杂性和不确定性，准确预测房价一直都是一个具有挑战性的任务。
因此，为了解决这个问题，许多研究人员和机构开发了各种不同的房价预测模型。
本文将比较几种常见的房价预测模型，分析它们的优缺点和适用场景。
一、回归模型回归模型是最常见和广泛使用的房价预测方法之一。
它使用历史数据和相应的影响因素来建立一个数学模型，通过对未来一段时间的数据进行回归分析来预测房价。
回归模型可以分为线性回归和非线性回归两种。
1.1 线性回归模型线性回归模型假设价格与影响房价的因素之间存在线性关系。
它使用各种因素（如房屋面积、房龄、地理位置等）来建立数学模型，通过回归分析来预测未来的房价。
线性回归模型的优点是简单易用，计算效率高；缺点是无法处理非线性关系。
1.2 非线性回归模型非线性回归模型进一步拓展了线性回归模型的概念，它允许因素之间存在非线性关系。
非线性回归模型使用更复杂的数学函数来建立模型，并根据历史数据进行参数估计。
非线性回归模型的优点是可以更好地拟合实际数据，处理较复杂的关系；缺点是模型复杂度较高，计算成本较高。
二、人工神经网络人工神经网络是一种模拟人类神经系统工作方式的数学模型。
它通过训练算法从历史数据中提取模式，并学习建立预测模型。
人工神经网络模型在房价预测中表现出色，尤其是处理复杂非线性关系方面。
2.1 多层感知器（MLP）多层感知器是最常用的人工神经网络结构之一。
它由输入层、隐藏层和输出层组成。
多层感知器通过训练算法学习输入和输出之间的复杂关系，并通过这种关系进行预测。
多层感知器的优点是能够处理复杂的非线性关系，但模型的训练过程需要大量数据和计算资源。
2.2 循环神经网络（RNN）循环神经网络是一种具有循环连接的神经网络结构，可以处理时间序列数据。
房价模型
房价模型房价模型是房价的公式化、数学化表示，用于揭示房价形成和变动的规律。
目前房价模型共分三类。
第一类，是理论模型。
理论模型利用经济学和地租理论而建立。
第二类，是统计模型。
统计模型利用统计方法而建立。
第三类是收益模型。
收益模型采用对未来的租金进行折现而建立。
这三种模型各具特点，适用于不同的房价分析需要。
一、理论模型理论模型以《亚洲经济评论》主编汪林海为代表，汪林海提出了如下房价模型，并给出了理论推导过程：上式，P为城市中某套住房的价格，U为该套住房的有用性，U0最差地段上的住房（劣等住房）的有用性，C0为最差地段上住房的生产成本。
城市中最差的地段上的住房也称为劣等住房。
住房的有用性，是指综合住房的地段因素（所在地段的交通、治安、购物、环境因素）和住房本身的因素（如住房的装修、歌剧、新旧程度等因素）后，消费者对住房的综合评价。
该公式成立的条件，是住房市场为完全竞争市场。
汪林海认为，城市中，某套住房价格与该套住房的有用性成正比，与劣等住房有用性成反比，与劣等住房的生产成本成正比。
汪林海的推导过程为：假设越好的住房价格越高，住房之间价格之比等于有用性之比，从而有P/P0=U/U0，得到P=U/U0*P0，利用古典地租理论上的劣等地商品价格P0等于劣等地生产成本C0，从而劣等住房的价格P0等于劣等住房生产成本C0，从而把P0=C0代入P=U/U0*P0，得P=U/U0*C0,即上述公式。
二、统计模型统计模型以Kain and Quigley（1970），Wabe (1971)，Evans（1973），Anderson和Crocker （1971）、Henry M. K. Mok等（1995）、Piyush tiwari （2000）、Sibel Selim（2008）为代表。
统计模型研究者们认为住房不存在理论模型，只能利用统计手段里建立统计模型。
统计模型中的典型房价模型，就是特征价格模型（Hedonic Price Model）。
基于BP神经网络的房价预测模型
基于BP神经网络的房价预测模型随着城市化进程的加速，人民对于购房的需求不断增加。
房屋作为生产资料、居住空间以及投资品，其市场价格波动对于社会经济发展和居民生活水平有着极其重大的影响。
因此对于房价的预测和分析问题一直备受关注。
本文将介绍一种基于BP神经网络的房价预测模型，并对其实现方法和预测精度进行探讨。
一、BP神经网络的原理BP神经网络是一种常用的前馈式人工神经网络，具有强大的自适应学习和非线性处理能力。
它的学习过程是通过反向传播算法来实现的，即根据网络输出误差将误差逐层反向传播至输入层，最终得到各个节点的误差信息，从而更新权值参数。
BP神经网络的结构包括输入层、隐藏层和输出层三个部分。
其中，输入层接收输入样本数据，并将其传递给隐藏层；隐藏层进行多次线性变换和非线性映射，从而将输入数据转换成高维特征表达；输出层输出模型的预测结果，其输出数值与实际数值进行比较，从而计算出误差，并通过反向传播更新权值参数。
二、房价预测模型的构建在构建基于BP神经网络的房价预测模型时，需要考虑如下几个方面：1. 数据预处理：将历史房价数据进行清洗、排序和筛选，保留有效数据，并对数据进行缩放和标准化处理；2. 特征构造：将不同的房价因素进行分解和归纳，构造出一组具有代表性的特征因子，并将其编码成向量形式；3. 网络搭建：根据选取的特征因子，搭建BP神经网络结构，包括输入层、隐藏层和输出层，并确定网络的神经元个数和激活函数类型；4. 参数设置：设置网络学习率、迭代次数、误差容限和权值范围等参数；5. 模型训练：以历史房价数据为训练集，对构建的BP神经网络进行训练，使其逐渐提升预测能力；6. 模型预测：利用已经训练好的模型，在给定的输入数据下，输出预测房价结果。
三、房价预测模型的应用基于BP神经网络的房价预测模型，其适用范围十分广泛。
在房地产领域，它可以用于各种形式的房价预测和分析，如房价趋势预测、房产投资风险评估、楼市热点区域预测等。
合肥市二手房价多元线性回归预测模型
合肥市二手房价多元线性回归预测模型合肥作为中国的四大国家中心城市之一，其房地产市场一直备受关注。
在房地产市场中，二手房的价格是一个关键的指标，对于购房者和投资者来说，了解二手房价的走势和预测未来的价格变化至关重要。
建立一种可以预测合肥市二手房价的多元线性回归模型是非常有意义的。
本文将介绍关于合肥市二手房价多元线性回归预测模型的制作过程和应用。
一、收集数据要建立多元线性回归模型，我们需要收集一系列的数据。
我们需要收集的数据包括合肥市不同区域的二手房价格、房屋面积、户型结构、楼层情况、装修情况、所在小区的配套设施等多个因素。
这些因素都可能对二手房价产生影响，因此需要收集充分的数据来进行分析和建模。
在收集数据的过程中，需要特别注意数据的准确性和完整性。
由于二手房市场的复杂性，一份完整且准确的数据对于建立可靠的预测模型至关重要。
二、数据预处理收集完数据之后，接下来需要对数据进行预处理。
数据预处理是数据分析的第一步，其目的是清洗数据、填补缺失值、处理异常值、标准化数据等。
对于二手房价预测模型来说，数据预处理尤为重要。
由于二手房市场的不确定性和复杂性，数据中常常存在缺失值和异常值，需要对其进行合理处理，以保证建立的模型能够反映真实的市场情况。
三、建立多元线性回归模型在完成数据预处理之后，接下来可以开始建立多元线性回归模型了。
多元线性回归模型是一种用于预测因变量与多个自变量之间关系的统计模型。
在合肥市二手房价预测中，可以将二手房价格视为因变量，房屋面积、户型结构、楼层情况、装修情况、所在小区的配套设施等多个因素视为自变量，通过这些自变量来预测二手房价格。
建立多元线性回归模型首先需要确定自变量和因变量之间的关系。
可以通过计算各自变量之间的相关系数来初步判断自变量与因变量之间的关系。
然后，可以利用最小二乘法来估计回归系数，得到多元线性回归方程。
在建立多元线性回归模型时，还需要考虑自变量之间是否存在共线性。
如果存在共线性，会影响到模型的解释性和预测准确性。
数据科学中的房价预测模型
数据科学中的房价预测模型随着科技的发展和互联网的普及，数据科学在各个领域中扮演着越来越重要的角色。
其中，房地产行业也开始逐渐应用数据科学的方法来进行房价预测。
本文将介绍数据科学中的房价预测模型，并探讨其在实际应用中的意义和挑战。
一、数据收集与清洗房价预测模型的第一步是数据的收集与清洗。
在这个过程中，我们需要收集大量的相关数据，如房屋的面积、位置、朝向、楼层、周边交通、教育资源等。
同时，还需要注意数据的准确性和完整性，以确保预测模型的可靠性。
二、特征工程在数据收集与清洗之后，我们需要进行特征工程，即从原始数据中提取有用的特征。
这些特征可以包括房屋的面积与价格的比例、距离地铁站的距离、周边学校的评分等。
通过合理选择和构造特征，可以提高预测模型的准确性和效果。
三、模型选择与训练在特征工程之后，我们需要选择合适的模型来进行训练。
常用的房价预测模型包括线性回归、支持向量机、决策树、随机森林等。
每个模型都有其优势和适用场景，我们需要根据具体情况选择最合适的模型。
在模型选择之后，我们需要使用已有的数据来进行模型的训练。
训练的目标是通过学习已有数据的模式和规律，来建立一个能够准确预测房价的模型。
在训练过程中，我们需要注意模型的过拟合和欠拟合问题，以及调整模型的超参数来提高模型的性能。
四、模型评估与优化在模型训练完成之后，我们需要对模型进行评估和优化。
评估的指标可以包括均方误差、平均绝对误差等。
通过评估模型的性能，我们可以了解模型的准确性和稳定性，并进行相应的优化。
模型优化的方法可以包括特征选择、特征缩放、模型融合等。
通过不断地迭代和优化，我们可以提高模型的预测准确性和稳定性。
五、实际应用与挑战房价预测模型在实际应用中有着广泛的用途。
例如，房地产开发商可以利用预测模型来确定房屋的销售价格，从而制定合理的销售策略。
政府部门可以利用预测模型来监测房价的走势，从而采取相应的政策措施。
然而，房价预测模型也面临一些挑战。
首先，房价受到许多因素的影响，如经济状况、政策变化、市场需求等。
房地产市场价格预测模型
影响因素分析
02
模型分析表明，房地产市场价格受到多种因素的影响，如经济
状况、政策调整、人口增长等。
预测精度提升
03
通过采用先进的机器学习算法，模型在预测精度上有所提高，
能够为投资者和开发商提供更有价值的决策依据。
研究不足与展望
数据局限性
由于数据可得性限制，本研究只采用了有限的历史数据， 可能影响模型的泛化能力。未来可考虑使用更全面的数据 集进行训练和验证。
稳定性
评估模型在不同时间段或数据集上的 表现是否稳定，以判断模型的可靠性 和可重复性。
解释性
模型是否易于理解，是否能够提供对 预测结果的合理解释。
实时性
模型是否能够及时更新以反映市场变 化。
模型比较与选择
线性回归模型
支持向量机（SVM）
基于历史数据建立线性关系，简单易用， 适用于数据量较大、变量之间的关系较为 简单的情况。
04
模型选择与建立
数据收集与处理
数据来源
收集房地产市场的历史交易数据、经济指标、政 策法规等数据，确保数据的准确性和完整性。
数据清洗
对数据进行预处理，如缺失值填充、异常值处理 、数据转换等，以提高数据质量。
数据整合
将不同来源的数据进行整合，形成统一的数据格 式，便于后续分析和建模。
特征选择与提取
对模型预测结果进行敏感性 分析，了解不同参数和假设 对预测结果的影响。
根据评估指标分析模型的优 缺点，为后续改进提供依据 。
根据模型预测结果，为房地 产市场参与者提供决策建议 。
06
结论与展望
研究结论
模型有效性
01
本研究构建的房地产市场价格预测模型在历史数据上表现良好
房地产市场的价格预测模型与建模分析
房地产市场的价格预测模型与建模分析房地产市场是一个重要的产业，对于政府经济政策的制定和投资者的决策具有重要影响。
因此，对于该市场的价格预测模型与建模分析显得尤为重要。
本文将讨论房地产市场价格预测模型的建立与分析方法，以帮助投资者和政府决策者更好地理解市场趋势和未来走势。
一、房地产市场价格预测模型的建立方法房地产市场价格预测模型的建立可以采用多种方法，包括回归分析、时间序列分析和机器学习等。
下面将分别介绍这些方法的原理和应用。
1. 回归分析回归分析是一种常用的统计方法，用于探索变量之间的关系。
在房地产市场中，可以选择影响房价的相关变量，如地理位置、楼层、面积、楼龄等，作为自变量，房价作为因变量，建立回归模型进行预测。
通过分析各个自变量的系数和显著性水平，可以了解各因素对房价的影响程度和方向。
2. 时间序列分析时间序列分析是一种用于研究时间序列数据的方法，适用于预测具有一定规律性和趋势性的数据。
在房地产市场中，可以将历史的房价数据作为时间序列数据，通过分析趋势、周期性和季节性等特征，建立时间序列模型进行预测。
3. 机器学习机器学习是一种基于数据的自动化建模方法，可以利用大量的历史数据进行模型训练和预测。
在房地产市场中，可以使用机器学习算法，如决策树、随机森林、神经网络等，根据房产特征数据和历史价格数据进行训练，建立预测模型。
机器学习有着良好的拟合能力和预测性能，可以提供较为准确的房价预测结果。
二、房地产市场价格模型的分析方法建立价格预测模型之后，需要对模型进行分析以评估其准确性和稳定性，进而为投资者和政府决策者提供决策支持。
下面将介绍几种常见的模型分析方法。
1. 模型拟合度分析模型拟合度分析用于评估模型对观测数据的拟合程度，可以通过计算拟合优度指标（如R方值）来衡量模型的拟合效果。
拟合度分析可以帮助我们了解模型的预测能力和稳定性。
2. 模型参数显著性检验模型参数显著性检验可以用于评估各个自变量对因变量的影响是否显著。
房价预测及投资收益模型
2023-11-07•引言•房价影响因素分析•房价预测模型构建目录•投资收益模型构建•实证研究及结果分析•结论和建议01引言研究背景和意义房地产市场与金融风险房地产市场的波动可能引发金融风险，对经济造成负面影响。
投资决策与收益准确预测房价走势对于投资者来说具有重要意义，直接关系到投资决策的正确性和收益。
房价波动与经济稳定增长房价的波动与宏观经济稳定增长之间存在密切关系。
本研究旨在建立一个有效的房价预测及投资收益模型，以帮助投资者准确预测房价走势，优化投资策略，降低投资风险，提高投资收益。
研究目的本研究将采用定量分析方法，收集相关数据，运用统计分析、时间序列分析等手段，建立房价预测模型，并进一步构建投资收益模型。
研究方法研究目的和方法02房价影响因素分析03城乡结合部由于具备一定的区位优势和发展潜力，房价通常呈上升趋势。
区域因素01城市中心区域通常具备完善的交通、购物、教育等配套设施，对房价具有正向影响。
02郊区或农村相对缺乏上述配套设施，对房价形成一定限制。
经济因素经济增长当经济增长强劲时，房价往往受到正向影响，因为人们对未来的预期普遍较好。
失业率高失业率通常意味着经济不景气，对房价产生负面影响。
物价水平物价上涨可能导致人们购买力下降，从而影响房价。
人口因素人口增长人口增长带来住房需求的增加，对房价产生正向影响。
人口老龄化随着老龄化程度提高，对住房的需求可能减少，对房价形成压力。
家庭结构不同的家庭结构对住房需求产生影响，如未婚、已婚、离异等状态会导致不同的购房需求。
政府的房地产政策对房价具有重要影响，如限购、限贷、税收政策等。
房地产政策如利率、贷款政策等，对房价产生重要影响。
金融政策土地供应、土地价格等因素直接影响房屋的建造成本，进而影响房价。
土地政策政策因素03房价预测模型构建时间序列分析季节性调整通过季节性调整，消除时间序列数据中的季节性影响，从而更好地分析房价变化的趋势。
趋势分析通过趋势分析，判断房价是呈上涨、下跌还是平稳趋势，为投资决策提供参考。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1 引言
2000 年以来 ,全国及多数大中城市的房价一直呈上升趋势 ,并且 2003 年～2004 年开始 ,房价上涨速度 明显加快. 2004 年 ,全国房屋销售价格同比上涨 917 % ,土地交易价格上涨 1011 % ;2005 年全国房地产各项 指标值虽然略有下降 ,但仍然保持较高的增长速度 ,其中 ,房屋销售价格同比上涨 716 % ,土地交易价格上 涨 911 %[1] .
Housing Price Forecasting Method based on TEI @I Methodology
YAN Yana , XU Weia , BU Huia , SONG Yangb , ZHANG Wena , YUAN Honga , WANG Shou2yanga ,b
(a1School of Management of Graduate University ; b1Academy of Mathematics and Systems Science , Chinese Academy of Sciences , Beijing 100080 , China)
2006 年《中国城市生活质量报告》[2] (287 个城市 773325 人次参与调查) 的调查结果显示 ,我国公众认 为房价普遍偏高 ,是所有满意度中最低的一项 ;35 %的接受调查者认为不能承受所在城市的房价 ,主要集 中在一些中心城市 ,其中北京 、上海 、杭州 、苏州 、宁波 、大连 、青岛 、广州 、郑州和温州是本次调查中公众感 觉房价较高的 10 个城市.
2
系统工程理论与实践
2007 年 7 月
形式将稳定房价提高到政治高度 ,被业界称为老“国八条”;4 月 27 日 ,温家宝总理主持召开国务院常务会 议 ,指出目前房地产市场存在的主要问题是 :房地产投资规模过大 ,商品房价格上涨过快 ,商品房结构不合 理 ,房地产市场秩序比较混乱. 会议强调 ,必须把解决房地产投资规模和价格上升幅度过大的问题 ,作为当 前加强宏观调控的一个突出任务 ;5 月 9 日《, 国务院办公厅转发建设部等部门关于做好稳定住房价格工 作意见的通知》在土地 、税收 、金融 、住房保障等方面提出了八点措施 ,被业界称为新“国八条”.
2005 年以来 ,房价过高 、房地产投资增长过快等问题引起了中央政府的高度重视. 2005 年 3 月 26 日 , 《国务院办公厅关于切实稳定住房价格的通知》针对房价上涨过快明确提出八点要求 ,首次以行政问责的
收稿日期 :2007204202 资助项目 :北京市科委博士生毕业论文资助基金 (ZZ0518) 作者简介 :闫妍 (1980 - ) ,女 ,博士研究生 ,研究方向 :房地产金融 ;汪寿阳 (1958 - ) ,教授 ,博士生导师.
房地产市场是一个复杂系统 ,房价的影响因素很多 ,并且影响程度不同. 本文将重点分析并筛选房价 的主要影响因素 ,建立全国商品房销售价格的预测模型 ,预测未来房价走势 ,并定量评价宏观调控政策出 台对房地产市场的影响 ,为政府决策提供技术支持.
2 文献综述
国内外学者对于房价影响因素的研究成果比较多 ,但是房价定量预测的文献较少. 在研究房价影响因 素的文献中 , Grebler (1979) [3] 认为 ,显著影响住房价格的因素包括收入所得 、物价水平 、季节因素 、空置率 及前期房价等. Nellis 和 Longbottom (1981) [4] 对英国住宅价格进行实证研究 ,得到实际可支配收入 、贷款利 率及贷款总金额是影响住宅价格的重要因素. Reichert (1990) [5] 构造了以房价为因变量 ,以人口 、收入所得 、 平均就业率 、抵押贷款利率 、首付比率 、住宅品质提升指数 、季节因素为自变量的模型. Case 和 Shiller (1990) [6] 对美国四大都市区域 1970 年 1 季度至 1986 年 3 季度独户住宅重复销售价格指数 、居民消费价格 指数 、就业 、个人收入 、人口相关指标 、独户住宅开工量 、建筑成本指数进行了时间序列截面回归分析 ,得到 住房成本与价格的比例 、成年人口的变化以及人均真实收入的变化和随后若干年中超额利润或者价格的 变化呈现显著的正相关性. Clapp 和 Giaccotto (1994) [7] 的研究表明 ,人口和就业等经济因素的变化对房价变 化具有较好的预测能力. Potepan (1996) [8] 在研究城市住宅问题时选 、基于 Hedonic 模型的月租金 、土地价格 、家庭收入的中位数 、人口 、公共服务质量 、 犯罪率 、空气污染 、四口之家的非住宅消费品价格 、抵押贷款利率 、建筑成本 、农业用地价格 、地形用地约 束 、法律上的用地约束等指标的年度数据. Baffoe2Bonnie (1998) [9] 运用脉冲响应分析 ,得到货币供应量 、抵 押贷款和就业率的影响会立即反应到全国及区域性的房地产市场中. 国内学者杨超和卢有杰 (2003) [10] 将 影响房价的因素分为三类 ,即人口 、经济与预期 ,其中人口包含城市人口与家庭人口 ;经济包括居民收入 、 物价 、利率 、住房租金和开发成本. 沈悦和刘洪玉 (2004) [11] 研究我国 14 个城市的房价问题时 ,选取的变量 包括可支配收入 、人口 、失业率 、房屋空置率和建筑成本 ,研究表明 ,14 个城市的当前信息或历史信息可以 部分解释房价水平或变化率.
根据对已有文献的回顾 ,我们认为相关研究存在以下局限性和不足 :1) 房地产市场是一个复杂系统 , 但是国内外多数学者只考虑了少数有限个影响因素 ,指标选择具有主观性 ,缺乏科学的筛选和确认过程 ,
第7期
基于 TEI @I 方法论的房价预测方法
3
尤其是国内学者只选取房价或房价指数为单一指标预测 ,注重技术手段 ,而忽视了房地产市场的多重影响 因素 ;2) 由于国外房地产市场发展时间较长 ,样本数据量较大 ,国外学者预测房价时多采用 VAR、ARIMA 等时间序列方法 ,不适用于中国的小样本房价数据 ;3) 国内外现有预测房价的研究全部为单一模型预测 , 缺乏对预测精度的进一步探讨 ;4) 由于国内外的统计内容不同 ,部分统计指标即使名称相同 ,但统计口径 不同 ,因此不能完全套用国外的研究成果. 本文将分析商品房销售价格的影响因素 ,并给出适合中国国情 的房价预测方法.
2006 年 5 月 17 日 ,国务院总理温家宝主持召开国务院常务会议 ,研究促进房地产产业健康发展的措 施. 会议认为 ,中央去年实施加强房地产市场调控的决策和部署以来 ,房地产投资增长和房价上涨过快的 势头初步得到抑制. 但房地产领域的一些问题尚未根本解决 ,主要是少数大城市房价上涨过快 ,住房供应 结构不合理矛盾突出 ,房地产市场秩序比较混乱. 会议根据当前房地产市场存在的问题 ,提出六项调控措 施 ,被称为“国六条”;5 月 29 日《, 国务院办公厅转发建设部等部门关于调整住房供应结构稳定住房价格 意见的通知》提出 15 条具体调控措施 ,被称为“国十五条”.
2007 年 7 月
文章编号 :100026788 (2007) 0720001209
系统工程理论与实践
第7期
基于 TEI @I 方法论的房价预测方法
闫 妍a ,许 伟a ,部 慧a ,宋 洋b ,张 文a ,袁 宏a ,汪寿阳a ,b
(中国科学院 a. 研究生院管理学院 ,北京 100080 ;b. 数学与系统科学研究院 ,北京 100080)
房价预测的研究于近年来才开始. Malpezzi (1999) [12] 在对美国 133 个都市 1979 年至 1996 年重复交易 住宅价格指数及部分宏观经济指标 (人口 、收入等) 用时间序列截面回归后 ,认为住宅价格不是随机游走 , 至少可以部分被预测. Seko (2003) [13] 认为 ,日本各地区的住宅价格和经济基本面有着较强的相关性 ,用时 间序列方法预测房价时选取的主要指标包括私人拥有住宅的平均销售价格 、家庭年收入 、人口 、住宅年开 工面积 、消费价格指数和空置率. Anglin (2006) [14] 引入平均房价增长率的滞后三期以及 CPI、住房抵押贷款 利率和失业率 ,建立 VAR 模型 ,预测多伦多房价变动情况. 国内学者王婧和田澎 (2005) [15] 采用小波神经网 络对中房上海价格指数的月度数据进行预测 ;杨楠和邢力聪 (2006) [16] 用灰色2马尔科夫模型和 n 次多项式 模型对全国房屋年平均销售价格进行预测. 国内其他对房价预测的文献多为定性分析和主观判断.