پیش بینی قیمت مسکن با استفاده از الگوریتم هوش مصنوعی LSTM (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: امروزه، پیش بینی قیمت در بازارهای مختلف، به بخش حیاتی و جدایی ناپذیری از بازار دارایی ها تبدیل شده است. دانستن اینکه قیمت محتمل یک دارایی همچون مسکن، در آینده به چه میزان است، برای سرمایه گذاران ارزش اطلاعاتی بسیار زیادی دارد. این در حالی است که با توجه به مواجه شدن اقتصاد مسکن با شوک های قیمتی و نوسان های شدید بازارهای موازی، پیش بینی زمان صحیح برای سرمایه گذاری در مسکن، به دغدغه ای برای ذی نفعان این بخش تبدیل شده است. بررسی روند تحولات قیمت مسکن در ایران، از این حکایت دارد که هم راستا با سطح قیمت ها و شاخص های کلان دیگر، قیمت مسکن نیز روند مشابهی را طی می کند؛ اما تغییرات قیمت مسکن در مقایسه با تغییرات سایر شاخص های خُرد و کلان اقتصادی متفاوت است. این موضوع آنجا پیچیده تر می شود که در تحلیل شاخص قیمت مسکن با داده های مختلف کمّی و کیفی و همچنین داده های تصادفی، پراکنده و غیرساخت یافته مواجهیم که پیاده سازی مدل های ریاضی را برای آن ها بسیار سخت می سازد. هدف مقاله طراحی یک مدل هوش مصنوعی با بیشترین انعطاف پذیری نسبت به تنوع داده های ورودی و کمترین میزان خطا در بخش خروجی است. همچنین، پیاده سازی مدل با داده های واقعی نیز، هدف ضمنی دیگر پژوهش است تا کارایی مدل در شرایط واقعی بازار بررسی شود.روش: مدل های هوش مصنوعی این قابلیت را دارند که گستره وسیعی از داده ها را دریافت کنند و برای رسیدن به خروجی مشخص، هم زمان آن ها را پردازش کنند. در موضوعات مالی، این ویژگی ها باعث می شود که اثربخشی و دقت مدل افزایش یابد. الگوریتم طراحی شده در این پژوهش، بر پایه شبکه های عصبی بازگشتی است و الگوریتم LSTM با توجه به قابلیت حفظ اطلاعات گذشته، در پیش بینی سری های زمانی استفاده شده است. در هر دو دسته از سری های زمانی تک متغیره و چندمتغیره، از معماری stacked-LSTM استفاده شده استیافته ها: در این کار پژوهشی با استفاده از مجموعه داده های مراجع رسمی، همچون بانک مرکزی ایران و مرکز آمار ایران، متغیرهای تأثیرگذار در قیمت مسکن، در قالب یک ماتریس هم بستگی تحلیل شده است و پس از انتخاب متغیرهایی که روی قیمت مسکن بیشترین اثرگذاری دارند، میانگین قیمت مسکن تهران پیش بینی شده است. یافته های این پژوهش نشان می دهد که قیمت طلا، قیمت ارز، شاخص بهای کالا و خدمات و همچنین حجم نقدینگی، بیشترین هم بستگی را با قیمت مسکن داشته اند. با استفاده از داده های این شاخص های اقتصادی، پیش بینی هایی با دقت های بسیار زیاد به دست آمد.نتیجه گیری: در بین چهار مدل ساخته شده در این پژوهش، بهترین پیش بینی، به مدل stacked-LSTM چندمتغیره با متغیرهای کلان اقتصادی، با بیشترین هم بستگی با قیمت مسکن تعلق یافت. اعتبارسنجی مدل ها با میانگین درصد قدرمطلق خطا محاسبه و برآورد شده است. وجه مشترک نتایج به دست آمده در همه مدل ها، نمایش قابلیت و کارایی مطلوب الگوریتم LSTM است که برای داده های بیش از دو دهه بازار مسکن تهران، به منظور تخمین قیمت های آتی استفاده شده است.Housing Price Forecasting Using AI (LSTM)
ObjectiveForecasting the asset prices in any market is an inseparable and critical part of research on markets. Obtaining a credible prediction of an asset's potential future price provides valuable information for investors. Besides that, being confronted with real estate price shocks and price fluctuations in alternative markets, determining the best time for the investment may come up as a big challenge for any investor. Tracing the trend of housing price changes in Iran shows that the average housing price has had a general trend close to other prices and price indices; but the significant issue in this market is the various growth processes and dynamics, compared to changes in other economic indicators. This dynamic gets more complex when a variety of quantitative and qualitative data from diverse types and from several markets are added to the model. This diversity along with the unstructured, stochastic, and scattered datasets makes the implementation of the model so hard to do. The main goal of this paper is to build an Artificial Intelligence model with the most flexibility in the input part for the data type heterogeneity and the lowest error in the output part as the predicted price. All the implemented models showed a high accuracy on the real data extracted from the housing market. MethodsArtificial Intelligence models have an enormous capacity to get a broad range of any kind of data and process and concurrently compile them to build a valid output. This characteristic of AI is very useful in financial models to increase the accuracy of output. Our model is based on the Recurrent Neural Networks. Due to its capability to preserve past information, the LSTM algorithm was implemented as a time series forecasting model. ResultsIn this study, using diverse types of official datasets, such as the Central Bank of Iran, we distinguish the influencing variables in the housing market and then we could predict the average housing price in Tehran. Our findings indicate that the average housing price demonstrates the strongest correlation with gold prices, foreign exchange rates, the Consumer Price Index, and market liquidity levels. Utilizing these indicators, predictions with very high accuracy were obtained. ConclusionAmong the four different models of this research, the best prediction belonged to the multivariate stacked-LSTM model, which was empowered by the highly correlated macroeconomic variables. The validation of models was done by the MAPE Indicator. Furthermore, all the results confirmed that the LSTM algorithm was highly effective in utilizing over two decades of actual housing data from Tehran to forecast future prices.
تبلیغات
