基于ANN-CVaR模型的住宅开发投资风险评价研究

论文摘要

房地产投资过程是指从房地产投资意向的产生到房屋出售,资金回收的整个过程,这是一个动态的过程,可分为投资决策阶段、前期工作阶段、开发建设阶段、销售阶段,其中每一个阶段都潜藏着极大的风险。房地产开发投资是一项社会化程度极高的活动,极易受外界经济、政治等各种环境的影响。要想准确有效地评价出这种风险需要建立系统化的指标体系,并且采用合适有效的评价方法。针对当前我国住宅开发市场动荡、投资风险过大的问题,本文通过对住宅投资风险特征的理解,将BP（Back Propagation）神经网络和CVaR（Conditional Value at Risk ）模型风险评估方法运用到住宅开发投资风险评价研究中,从而为开发商在住宅开发的风险评估和风险认识问题上提供新的思考方式和评价办法。在研究了住宅开发投资风险评价的几种常用方法后发现现行的、单一的方法已经难以胜任当前社会经济环境下风险评价的需要。BP神经网络是最常用且性能极其优越的一种信息处理手段,它实质上实现了一个从输入到输出的映射功能,而数学理论已证明它具有实现任何复杂非线性映射的功能,这使得它特别适合于求解内部机制复杂的问题。BP神经网络能通过学习带正确答案的实例集自动提取“合理的”求解规则,即具有自学习能力。这些特性决定了他特别适合用于风险的定性分析。CVaR是指损失超过VaR的条件均值, CVaR代表了超额损失的平均水平,反映了损失超过VaR阈值时可能遭受的平均潜在损失的大小,较之VaR更能体现潜在的风险价值。CVaR还满足凸性、单调性、正齐次性、平移不变性等性质,保证了CVaR风险值真实准确性,特别适合用于风险的定量测算。本文把这两种优良的模型结合起来,先由BP神经网络给出住宅开发投资的风险水平,然后使用CVaR模型测算出具体风险值,这两种方法相辅相成,相得益彰。基于以上理论,建立住宅投资风险评价指标体系和ANN-CVaR（Artificial Neural Networks- Conditional Value at Risk）风险评价模型,并运用该指标体系和模型评估无锡市的住宅投资风险,得出各风险指标的风险贡献大小以及当前的风险水平,从定性和定量两个方面全面评估无锡市住宅投资风险。该指标体系和模型具有适用性和可移植性,只要输入其他城市或地区的指标数据同样可以得出目标城市和地区的风险值与各个风险指标的风险贡献。通过ANN-CVaR模型的运用,希望能够为住宅开发商提供认识投资风险的新方法,向开发商做投资决策提供决策依据。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及问题的提出
• 1.2 文献综述
• 1.2.1 住宅开发投资风险评价的国内研究现状
• 1.2.2 住宅开发投资风险评价的国外研究现状
• 1.2.3 国内外研究现状评述
• 1.3 研究目的和意义
• 1.3.1 研究目的
• 1.3.2 研究意义
• 1.4 论文研究内容和研究方法
• 1.4.1 论文内容和结构
• 1.4.2 论文研究方法
• 第2章 ANN-CVaR 模型风险度量的理论分析
• 2.1 住宅开发投资风险及评价方法
• 2.1.1 住宅开发投资风险分析
• 2.1.2 常见风险评价方法评述
• 2.2 ANN 模型在住宅投资风险评价中的应用和不足
• 2.2.1 ANN 模型及其在风险评价中的应用
• 2.2.2 ANN 模型优缺点分析
• 2.3 VaR 和CVaR 风险评价方法
• 2.3.1 VaR 模型理论分析
• 2.3.2 CVaR 模型介绍
• 2.3.3 VaR 和CVaR 模型在风险评价中的应用
• 2.4 ANN-CVaR 模型及其在住宅投资风险评价中的适用性分析
• 2.4.1 ANN-CVaR 模型简介
• 2.4.2 模型适用性分析
• 2.5 本章小结
• 第3章 住宅开发投资风险评价的ANN-CVaR 模型构建
• 3.1 住宅开发投资风险评价指标的设计与构建
• 3.1.1 住宅开发投资风险评价指标的设计原则
• 3.1.2 建立住宅开发投资风险评价指标体系
• 3.2 运用ANN 模型对风险进行定性分析
• 3.2.1 ANN 模型的输入层和输出层设计
• 3.2.2 ANN 模型的MATLAB 实现
• 3.3 运用CVaR 模型对风险进行定量测算
• 3.3.1 CVaR 模型方法描述与参数选择
• 3.3.2 CVaR 模型的计算与MATLAB 实现
• 3.4 本章小结
• 第4章 ANN-CVaR 模型在住宅开发投资风险评价中的实证研究
• 4.1 数据的获取与处理
• 4.1.1 数据的获取与说明
• 4.1.2 数据的处理
• 4.2 模型的实现与分析
• 4.2.1 BP 神经网络的计算
• 4.2.2 CVaR 值的计算
• 4.2.3 ANN-CVaR 模型评价
• 4.3 结果的分析与比较
• 4.4 本章小结
• 结论
• 参考文献
• 致谢
• 附录