پیش بینی دوره های رونق و رکود قیمت مسکن با استفاده از تجزیه موجک و شبکه های عصبی مصنوعی
نویسندگان
چکیده
با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیش بینی و استخراج دوره های رونق و رکود قیمت مسکن می تواند برای خریداران مسکن و یاسرمایه گذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پله ای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکل های بلند مدت با فرکانس پایین قیمت مسکن توسط فیلتر موجک با استفاده از سری زمانی قیمت مسکن از q41390q3-1369، و با استفاده از شبکه عصبی اقدام به پیش بینی ادامه سیکل های قیمت مسکن با استفاده از سیکل های استخراج شده قیمت مسکن جهت شناسایی و پیش بینی دوره های رکود یا رونق قیمت مسکن، در فصولبعد از فصل چهارم سال 1391 شده است. که نتایج نشان داد که از فصل انتهایی سال 1391 تا پایان فصل سوم این سال شاهد طی شدن دوره های رونق قیمت مسکن هستیم و در ادامه قیمت مسکن از فصل پایانی سال 1392 با رکود مواجه می شود.
منابع مشابه
پیشبینی دوره‌های رونق و رکود قیمت مسکن با استفاده از تجزیه موجک و شبکههای عصبی مصنوعی
با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیشبینی و استخراج دوره‌های رونق و رکود قیمت مسکن میتواند برای خریداران مسکن و یاسرمایه‌گذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پله‌ای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکل‌های بلند مدت با فرکانس پایین قیمت مسکن توسط فیلت...
متن کاملپیشبینی دوره‌های رونق و رکود قیمت مسکن با استفاده از تجزیه موجک و شبکههای عصبی مصنوعی
Generally,some booms in housing prices are followed by busts. One common phenomenon relating these changes is that the house price cycle is generally believed to the product of the short-run deviations from the long-run upward trends. The long-term cyclical fluctuation in Iran’s housing market was periodically occurred about every 6 years. Furthermore, Movements in house prices have significant...
متن کاملپیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...
متن کاملمقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک
این مطالعه تلاشی است در جهت بهکارگیری ترکیب مدل شبکهی عصبی پویا و تجزیهی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیشبینی متغیر مذکور میباشد. جهت تحقق این مهم، از دادههای سریزمانی ماهانهی نرخ ارز طی بازهی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدلسازیها استفاده شده و تعداد 27 مشاهده نیز جهت شبیهسازی و یا به بیان دی...
متن کاملپیش بینی قیمت مسکن در شهر تبریز:کاربرد مدل های قیمت هدانیک و شبکه عصبی مصنوعی
هدف اصلی این مطالعه مقایسه قدرت پیش بینی دو مدل رگرسیون هدانیک و شبکه عصبی مصنوعی (ann) و تعیین یک مدل بهینه برای پیش بینی قیمت هدانیک مسکن درکلان شهر تبریز می باشد. نتایج تخمین تابع قیمت هدانیک بیانگر آن است که اکثر متغیرها معنا دار بوده و دارای علامت مورد انتظار می باشند. عوامل فیزیکی بیشتر از عوامل مکانی(محیطی و دسترسی) قیمت واحدهای مسکونی را تحت تأثیر قرار می دهند. همچنین، از بین ویژگی های ...
متن کاملپیش بینی قیمت سهام شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی
پیشبینی تغییر قیمت سهام به عنوان یک فعالیت چالشانگیز در پیشبینی سریهای زمانی مالی در نظر گرفته میشود. یک پیشبینی صحیح از تغییر قیمت سهام میتواند سود زیادی را برای سرمایهگذاران به بار آورد. با توجه به پیچیدگی دادههای بازار بورس، توسعه مدلهای کارآمد برای پیشبینی بسیار دشوار است. در این پژوهش، مدلی برای پیشبینی قیمت سهام شرکتهای بورس اوراق بهادار تهران با بکارگیری دادههای درونزا...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
تحقیقات مدلسازی اقتصادیجلد ۵، شماره ۱۸، صفحات ۷-۴۶
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023