基于支持向量机的房地产投资风险预测方法研究

论文摘要

随着我国国民经济的飞速发展,房地产开发活动日益活跃,展现在人们面前的往往是房地产业盈利丰厚的一面。但是,对于任何一项房地产开发投资活动,风险总是与之相伴,特别是在我国房地产市场还不完善的情况下,风险一旦发生,就可能使开发商蒙受巨大的损失,甚至导致破产。因此,重视并研究房地产开发投资风险预测是理论界和实业界所面临的重要课题。基于统计学习理论的支持向量机是一类新型的机器学习算法,它能够非常成功地处理分类和回归问题。由于支持向量机出色的学习性能,该技术已经成为当前学术界的研究热点。针对传统房地产投资风险预测方法的不足,本文将该理论引入房地产投资风险管理领域,尝试利用其优良非线性拟合性能来预测房地产投资风险。主要研究内容如下:首先,系统分析影响房地产投资收益的各种不确定性因素,完成了房地产投资风险分析;其次,详细阐述了统计学习理论及支持向量机基本理论;再次,构建了基于支持向量机的房地产投资风险预测模型的基本框架,给出了模型实现的具体步骤和需要解决的关键问题;在实证研究阶段,结合实际案例演示了模型的具体实现过程。编制了相应的计算程序,同时针对案例对支持向量机训练集构建、核函数选择、模型参数选择等支持向量机模型构建过程中常见的一些问题进行了分析和总结。实证研究结果表明,该算法是切实可行的。本文研究成果为理论界和实业界提供了一套切实可行的房地产投资风险预测模型和算法,对提高我国房地产企业投资决策水平具有现实意义。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 房地产投资分析概述
• 1.2.1 房地产投资及其特点
• 1.2.2 房地产投资分析
• 1.3 国内外研究现状
• 1.3.1 国内外投资风险管理研究现状
• 1.3.2 支持向量机理论研究与应用现状
• 1.4 本文的研究方法和技术路线
• 1.5 本文的主要创新点
• 第2章 房地产开发项目投资风险分析
• 2.1 风险概述
• 2.1.1 风险的定义
• 2.1.2 风险的基本特征
• 2.1.3 风险的要素
• 2.2 风险分析的一般过程及方法
• 2.2.1 风险分析的一般过程
• 2.2.2 风险分析的一般方法
• 2.2.3 传统风险分析方法存在的不足与对策
• 2.3 房地产投资风险分析
• 2.3.1 房地产开发项目投资风险辨识
• 2.3.2 房地产投资风险估计与评价
• 2.4 本章小结
• 第3章 统计学习理论与支持向量机
• 3.1 引言
• 3.2 统计学习理论
• 3.2.1 统计学习理论的发展历史
• 3.2.2 机器学习问题的表示
• 3.2.3 经验风险最小化原理
• 3.2.4 VC维理论
• 3.2.5 结构风险最小化原理
• 3.3 支持向量机理论
• 3.3.1 支持向量机原理
• 3.3.2 用于分类的支持向量机
• 3.3.3 用于回归估计的支持向量机
• 3.3.4 核函数
• 3.4 本章小结
• 第4章SVM理论在房地产投资风险预测中的应用
• 4.1 基于SVM的房地产投资风险预测的提出及意义
• 4.2 预测系统的总体思路
• 4.3 基于SVM的房地产投资风险预测建模需要解决的几个关键问题
• 4.3.1 核函数的选取
• 4.3.2 核函数参数的确定
• 4.3.3 不敏感损失函数ε值与惩罚参数C的选定
• 4.4 基于SVM的房地产投资风险预测模型的适用性
• 4.5 本章小结
• 第5章实证研究
• 5.1 邯郸市房地产业发展概况
• 5.2 构建房地产投资风险评价指标体系
• 5.2.1 指标体系设计原则
• 5.2.2 邯郸市房地产投资风险评价指标体系设计
• 5.3 数据搜集
• 5.4 基于SVM理论的房地产投资风险预测模型
• 5.4.1 核函数及参数选择
• 5.4.2 建立预测模型
• 5.4.3 预测结果分析
• 5.5 本章小结
• 结论与展望
• 参考文献
• 附表
• 致谢
• 作者简介
• 攻读硕士学位期间发表的论文和科研成果