Добрый день, дамы и господа!

Думается, ни у кого из присутствующих не возникает сомнений в необходимости достоверного прогноза рынка недвижимости. В своем докладе постараемся показать, как для этой цели можно применить метод нейронных сетей.

В настоящее время прогнозирование занимает важное место в области экономики. Если раньше прогнозирование существовало как побочный продукт других дисциплин (в первую очередь математической статистики), то с развитием капитализма и росте потребности в обоснованных прогнозах прогнозирование выделилось в отдельную дисциплину и стало рассматриваться, как отдельный вид бизнеса.

На протяжении прошлого века происходило бурное развитие методов прогнозирования, во многом это развитие было связано с научно-техническим прогрессом и внедрением компьютерных технологий. Появились новые методы, возникшие на стыке нескольких областей научного знания. Одним из них является метод нейронных сетей.

Нейронные сети - это класс аналитических методов, построенных на принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных после прохождения этапа так называемого обучения на имеющихся данных.

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга.

Преимуществом нейронных сетей является возможность их использования в тех случаях, когда вид взаимосвязи между входами и выходами не известен, более того аналитик даже не должен высказывать предположение о характере этой взаимосвязи. Определение вида связи и настройка весовых коэффициентов происходят в процессе обучения.

Начиная с последнего десятилетия прошлого века можно наблюдать взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Теперь покажем, как и с каким успехом можно применять нейросети в целях прогнозирования тенденций на рынке недвижимости. Схематически искусственная нейронная сеть состоит из слоя входных сигналов, выходного слоя и нескольких внутренних слоев (слайд 1).

Требования к составу и структуре показателей, выступающими в качестве входов и выходов сети, формируются в соответствии с видом будущего потребителя и стоящих перед ним задач. В процессе достижения этих задач аналитик формирует набор показателей, прогноз которых необходим (ему или заказчику работ по прогнозированию) для полного обоснования и принятия менеджерского решения.

На рынке недвижимости прогнозируемыми показателями (переменными, составляющими выходной слой) могут выступать: объемы спроса и предложения, количество поглощенных площадей, уровень вакансий, ставки аренды или стоимость единицы площади. Несмотря на автоматизацию определения вида связи между входными переменными и выходами, аналитику-прогнозисту необходимо определить те факторы, которые влияют на значения выходных переменных, т.е. могут выступать в качестве входов нейросети. В процессе обучения из их числа отберутся наиболее информативные и оказывающие наибольшее влияние на прогнозируемые показатели.

Для целей настоящего доклада в качестве входных переменных использовались основные социально-экономические показатели РФ, и на их основе моделировались тенденции на рынке недвижимости столицы в сегментах торговой, офисной и жилой недвижимости, т.е. в качестве выхода использовались ставки аренды в торговых центрах в лучших торговых коридорах, офисах класса 'А' в Центральном деловом районе и средняя стоимость жилья (индексы стоимости жилья). Рассмотрим последовательно полученные результаты.

При моделировании упомянутых выше показателей были получены сети со следующей архитектурой.

В качестве входных переменных при прогнозировании ставок аренды в торговых центрах в процессе обучения остались (слайд 2):

• индекс выпуска продукции базовых отраслей,
• объем промышленного производства,
• объем инвестиций,
• объем розничной торговли,
• объем государственного экспорта,
• среднемесячная заработная плата и
• курс доллара.

При моделировании ставок аренды в офисах класса 'А' наилучшей моделью явилась модель, обладающая одним входом, которым явились цены на нефть (слайд 3), а в случае жилой недвижимости - четырьмя: объем промышленного производства, объем экспорта, нефтяные цены и курс доллара (слайд 4). На следующем слайде (слайд 5) представлены результаты обучения.

Любой метод прогнозирования оценивается ошибкой прогнозирования и адекватностью полученной модели. Обычно рассчитываются четыре основных вида ошибок: среднее абсолютное отклонение, среднеквадратическая ошибка, средняя абсолютная ошибка в процентном выражении и средняя процентная ошибка. На диаграмме (слайд 6) представлено среднее абсолютное отклонение для различных методов прогнозирования. Как видно, во всех трех случаях нейросетевая модель дает небольшие средние ошибки, а в некоторых случаях - на уровне других методов прогнозирования или значительно меньше.

На следующем слайде (слайд 7) показана среднеквадратическая ошибка. Результаты нейросети в случае торговой недвижимости по этому показателю являются абсолютно лучшими, а при моделировании офисной и жилой недвижимости находятся среди лучших.

Аналогичные результаты получаем при анализе процентных ошибок. Средняя абсолютная ошибка в процентном выражении на каждом из анализируемых рядов не превышает 3,5% (слайд 8), а средняя процентная ошибка колеблется в пределах от -2% до +0,6% (слайд 9). Но при анализе последнего показателя важно не столько его численное значение, сколько его близость к нулю, следовательно, метод прогнозирования является несмещенным.

Теперь обратимся к сравнительному анализу адекватности выбранных моделей. Оценка адекватности сводится к анализу остатков. Остатки - это разности между реальными и предсказанными значениями ряда. Одно из основных требований, предъявляемых к методу прогнозирования, заключается в том, чтобы множество остатков было случайным.

Случайность множества проявляется путем анализа коэффициентов автокорреляции и сопоставления гистограммы распределения остатков с кривой нормального распределения.

Для начала рассмотрим коэффициенты автокорреляции. Как видно на слайде (слайд 10), ни один из коэффициентов автокорреляции не отличается сильно от нуля (максимальное отклонение составляет 0,45 по модулю). Все остальные коэффициенты автокорреляции близки к нулю. Другие методы прогнозирования дают примерно такие же результаты. При анализе функции автокорреляции обычно также используют значение теста Льюинга-Бокса, но его применение в случае данной модели не представляется возможным из-за невозможности определения количества степеней свободы.

Теперь обратимся к гистограмме распределения остатков (слайд 11). Как видим, гистограммы остатков, полученных при нейросетевом моделировании, близки к кривой нормального распределения. Не все методы прогнозирования дают подобные результаты. Анализируемая модель находится среди лучших результатов.

В заключении подведем итоги (слайд 12). Первое, моделирование и прогнозирование тенденций на рынке недвижимости с помощью нейронных сетей возможно и дает неплохие результаты. В некоторых случаях нейросетевая модель дает результаты сопоставимые (или даже несколько хуже) по сравнению с методами экспоненциального сглаживания. Но по большому счету эти методы не совсем корректно сравнивать между собой, т.к. методы экспоненциального сглаживания представляют собой инструмент краткосрочного прогнозирования, в то время как нейронные сети являются, в первую очередь, методом средне- и долгосрочного прогнозирования.

Второе, наилучшие результаты прогнозирования с помощью данного метода получаются на рядах значений со сложным поведением (в нашем случае ставки аренды в торговых центрах). В случае явно выраженного тренда лучше и дешевле пользоваться более простыми методами прогнозирования. Анализ остатков подтверждает адекватность моделей и их пригодность к использованию.

Третье, в настоящем исследовании в качестве входных значений использовались показатели социально-экономического развития страны, что привело к неплохим результатам. Но в каждом конкретном случае прогнозирования необходимо вдумчиво подходить к выбору входных переменных. Кроме показателей РФ могут быть использованы показатели развития региона и показатели, выраженные в текстовой форме (например, политическая стабильность).

Четвертое. Несмотря на полученные результаты, не стоит воспринимать нейронные сети в качестве некой магической процедуры, позволяющей все время улавливать тенденции развития рынка. Идеальных методов не бывает. Нейронные сети точно такой же инструмент прогнозирования, как любой другой, но могущий быть весьма полезным при определенных обстоятельствах. Применение нейронных сетей на рынке недвижимости может быть успешным из-за таких особенностей рынка недвижимости, как, во-первых, большая инерционность и, во-вторых, сроки инвестиций в недвижимость зачастую осуществляются на более длительный срок, чем в другие виды активов. Следовательно, возникает потребность в выполнении прогнозов на средне- и долгосрочный периоды, что делает неприменимыми традиционные методы прогнозирования и открывает широкие возможности для использования нейронных сетей. Спасибо за внимание.

Презентацию в формате Microsoft PowerPoint, иллюстрирующую данный доклад Вы можете скачать здесь.

 предыдущая статья | следующая статья 

Мнение читателей Если ваше мнение по данному вопросу заслуживает большего внимания, то вы можете написать письмо авторам сайта, и ваша статья будет опубликована в соответствующем разделе. Добавить свое мнение