基于GABP神经网络及SVM的房地产投资风险评价及应用

论文摘要

房地产开发是一项高投入、高收益、高风险的投资活动,受社会、经济、技术等因素的影响较大,在开发过程中存在着不确定性,在为投资者提供高收益可能的同时,也蕴含着相应的高风险。而很多投资者只看到房地产市场带来的高额投资回报,却忽视了蕴藏在高收益之后的风险,在投资决策时期只是凭主观经验对项目风险进行粗略分析,很少进行系统的风险综合分析、评价,当风险因素一旦发生,极易造成投资失败。因此,对房地产开发投资风险评价方法进行研究,具有重要的理论与实践意义。本文主要研究内容如下：首先阐述了房地产开发投资风险分析的的相关理论,研究了房地产投资风险分析的内容；其次阐述了BP神经网络、遗传算法与SVM的相关理论；本文侧重于借助实例,分析GABP神经网络和SVM两种方法应用于房地产投资风险预测的效果,由于GABP神经网络方法在很多领域前人都有过研究,在房地产领域也有过一些研究,所以本文在此基础上又引进一种新的方法—支持向量机(SVM)将其应用到房地产投资风险评价中。这种方法比较新颖,在一些领域有初步研究,但是在房地产领域基本没有研究过,本文尝试建立了基于SVM的房地产投资风险评价模型,将两种方法对比研究,侧重于引出SVM方法预测效果,实证研究结果表明,虽然两种方法都可以应用到房地产风险预测领域,但是SVM方法要优于GABP神经网络方法,且预测精度较高,证明SVM方法可以应用到房地产风险评价中。本文针对BP网络的缺陷,建立了基于GABP神经网络及SVM的房地产投资风险评价模型,GABP神经网络是用遗传算法(GA)对神经网络的权值和阀值进行优化学习,再利用优化后的BP网络再次训练样本,最后得到问题的最优解。支持向量机(SVM)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。其良好的非线性品质、极高的拟合精度、灵活而有效的学习方式、不依赖于样本的特点,使房地产投资风险预测很好。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,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
• 1 绪论
• 1.1 论文选题的背景
• 1.1.1 国外房地产研究综述
• 1.1.2 国内房地产研究综述
• 1.2 研究的目的和意义
• 1.2.1 研究的目的
• 1.2.2 研究的意义
• 1.3 研究内容、方法与技术路线
• 1.3.1 主要内容
• 1.3.2 研究方法
• 1.3.3 技术路线
• 1.4 论文中的新见解
• 1.5 论文难点及主要解决问题
• 1.5.1 主要难点
• 1.5.2 主要解决问题
• 2 房地产开发投资风险分析
• 2.1 风险
• 2.1.1 风险的定义
• 2.1.2 风险的特征
• 2.2 房地产投资风险
• 2.2.1 房地产投资风险的定义
• 2.2.2 房地产投资风险分类
• 2.3 房地产开发投资过程主要风险因素分析
• 2.3.1 开发决策阶段风险因素分析
• 2.3.2 前期工作阶段风险因素分析
• 2.3.3 项目建设阶段风险因素分析
• 2.3.4 租售管理阶段风险因素分析
• 2.4 模糊层次分析法
• 2.4.1 模糊层次分析法
• 2.4.2 模糊层次分析法进行模型的构建
• 2.5 房地产投资风险分析的内容
• 2.5.1 房地产投资风险辨识
• 2.5.2 房地产投资风险估计
• 2.5.3 房地产投资风险评价
• 2.6 本章小结
• 3 BP网络、遗传算法及SVM相关理论
• 3.1 BP神经网络的基本原理
• 3.1.1 BP网络的定义、特点及应用
• 3.1.2 BP神经网络结构
• 3.1.3 BP神经网络学习算法
• 3.1.4 BP神经网络结构的主要缺陷
• 3.1.5 BP神经网络的改进
• 3.2 遗传算法
• 3.2.1 遗传算法的基本原理
• 3.2.2 遗传算法的步骤
• 3.2.3 遗传算法的设计与实现
• 3.2.4 遗传算法的特点
• 3.2.5 遗传算法在神经网络中的应用
• 3.2.6 遗传算法与BP网络的结合
• 3.3 统计学习理论
• 3.3.1 机器学习问题
• 3.3.2 经验风险最小化原则
• 3.3.3 结构风险最小化原则
• 3.4 支持向量机理论
• 3.4.1 线性支持向量机
• 3.4.2 非线性支持向量机
• 3.4.3 核函数
• 3.4.4 支持向量机的特点
• 3.4.5 支持向量机的学习算法
• 3.4.6 支持向量机与多层前向网络比较
• 3.5 本章小结
• 4 基于GABP及SVM的房地产投资风险评价建模预测
• 4.1 房地产投资风险评价指标体系设计
• 4.2 数据搜集与处理
• 4.2.1 数据搜集
• 4.2.2 数据归一化
• 4.3 基于GABP的房地产投资风险建模预测
• 4.3.1 GABP模型的设计
• 4.3.2 模型训练和检测
• 4.4 基于SVM的房地产投资风险建模预测
• 4.4.1 训练支持向量机与模型实现
• 4.4.2 核函数及参数选取
• 4.4.3 模型的训练与检测
• 4.5 GABP网络及SVM仿真结果分析
• 4.6 本章小结
• 5 实例分析
• 5.1 项目概况
• 5.2 模糊层次综合评价
• 5.3 GABP评价
• 5.4 SVM评价
• 5.5 预测结果分析
• 5.6 方法比较分析
• 5.7 本章小结
• 6 结论与展望
• 致谢
• 参考文献
• 附录1 GABP及SVM回归仿真程序
• 附录2 攻读学位期间发表的论文目录