پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,236 |
| تعداد مقالات | 67,810 |
| تعداد مشاهده مقاله | 115,289,080 |
| تعداد دریافت فایل اصل مقاله | 90,031,828 |
پیش‌بینی قیمت مسکن با استفاده از الگوریتم هوش مصنوعی LSTM | ||
| تحقیقات مالی | ||
| دوره 25، شماره 4، 1402، صفحه 557-576 اصل مقاله (1.1 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.349924.1007398 | ||
| نویسندگان | ||
| حسین زیادی1؛ عرفان صلواتی* 2؛ محمد مهدی لطفی هروی3 | ||
| 1کارشناس ارشد، گروه ریاضیات مالی، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران. | ||
| 2استادیار، گروه ریاضیات مالی، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران. | ||
| 3استادیار، گروه اقتصاد و مالی، دانشکده مدیریت، علم و فناوری دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران. | ||
| چکیده | ||
| هدف: امروزه، پیش‌بینی قیمت در بازارهای مختلف، به بخش حیاتی و جدایی‌ناپذیری از بازار دارایی‌ها تبدیل شده است. دانستن اینکه قیمت محتمل یک دارایی همچون مسکن، در آینده به چه میزان است، برای سرمایه‌گذاران ارزش اطلاعاتی بسیار زیادی دارد. این در حالی است که با توجه به مواجه‌شدن اقتصاد مسکن با شوک‌های قیمتی و نوسان‌های شدید بازارهای موازی، پیش‌بینی زمان صحیح برای سرمایه‌گذاری در مسکن، به دغدغه‌ای برای ذی‌نفعان این بخش تبدیل شده است. بررسی روند تحولات قیمت مسکن در ایران، از این حکایت دارد که هم‌راستا با سطح قیمت‌ها و شاخص‌های کلان دیگر، قیمت مسکن نیز روند مشابهی را طی می‌کند؛ اما تغییرات قیمت مسکن در مقایسه با تغییرات سایر شاخص‌های خُرد و کلان اقتصادی متفاوت است. این موضوع آنجا پیچیده‌تر می‌شود که در تحلیل شاخص قیمت مسکن با داده‌های مختلف کمّی و کیفی و همچنین داده‌های تصادفی، پراکنده و غیرساخت‌یافته مواجهیم که پیاده‌سازی مدل‌های ریاضی را برای آن‌ها بسیار سخت می‌سازد. هدف مقاله طراحی یک مدل هوش مصنوعی با بیشترین انعطاف‌پذیری نسبت به تنوع داده‌های ورودی و کمترین میزان خطا در بخش خروجی است. همچنین، پیاده‌سازی مدل با داده‌های واقعی نیز، هدف ضمنی دیگر پژوهش است تا کارایی مدل در شرایط واقعی بازار بررسی شود. روش: مدل‌های هوش مصنوعی این قابلیت را دارند که گستره وسیعی از داده‌ها را دریافت کنند و برای رسیدن به خروجی مشخص، هم‌زمان آن‌ها را پردازش کنند. در موضوعات مالی، این ویژگی‌ها باعث می‌شود که اثربخشی و دقت مدل افزایش یابد. الگوریتم طراحی‌شده در این پژوهش، بر پایه شبکه‌های عصبی بازگشتی است و الگوریتم LSTM با توجه به قابلیت حفظ اطلاعات گذشته، در پیش‌بینی سری‌های زمانی استفاده شده است. در هر دو دسته از سری‌های زمانی تک‌متغیره و چندمتغیره، از معماری stacked-LSTM استفاده شده است یافته‌ها: در این کار پژوهشی با استفاده از مجموعه داده‌های مراجع رسمی، همچون بانک مرکزی ایران و مرکز آمار ایران، متغیرهای تأثیرگذار در قیمت مسکن، در قالب یک ماتریس هم‌بستگی تحلیل شده است و پس از انتخاب متغیرهایی که روی قیمت مسکن بیشترین اثرگذاری دارند، میانگین قیمت مسکن تهران پیش‌بینی شده است. یافته‌های این پژوهش نشان می‌دهد که قیمت طلا، قیمت ارز، شاخص بهای کالا و خدمات و همچنین حجم نقدینگی، بیشترین هم‌بستگی را با قیمت مسکن داشته‌اند. با استفاده از داده‌های این شاخص‌های اقتصادی، پیش‌‌بینی‌هایی با دقت‌های بسیار زیاد به‌دست آمد. نتیجه‌گیری: در بین چهار مدل ساخته شده در این پژوهش، بهترین پیش‌بینی، به مدل stacked-LSTM چندمتغیره با متغیرهای کلان اقتصادی، با بیشترین هم‌بستگی با قیمت مسکن تعلق یافت. اعتبارسنجی مدل‌ها با میانگین درصد قدرمطلق خطا محاسبه و برآورد شده است. وجه مشترک نتایج به‌دست‌آمده در همه مدل‌ها، نمایش قابلیت و کارایی مطلوب الگوریتم LSTM است که برای داده‌های بیش از دو دهه بازار مسکن تهران، به‌منظور تخمین قیمت‌های آتی استفاده شده است. | ||
| کلیدواژه‌ها | ||
| قیمت مسکن؛ LSTM؛ پیش‌بینی قیمت؛ پیش‌بینی سری زمانی | ||
| عنوان مقاله [English] | ||
| Housing Price Forecasting Using AI (LSTM) | ||
| نویسندگان [English] | ||
| Hossein Ziyadi1؛ Erfan Salavati2؛ Mohammad Mahdi Lotfi Heravi3 | ||
| 1MSc., Department of Mathematical Finance, Faculty of Mathematics and Computer Science, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran. | ||
| 2Assistant Prof., Department of Mathematical Finance, Faculty of Mathematics and Computer Science, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran. | ||
| 3Assistant Prof., Department of Economics and Finance Faculty of Management, Science and Technology, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran. | ||
| چکیده [English] | ||
| Objective Forecasting 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. Methods Artificial 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. Results In 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. Conclusion Among 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. | ||
| کلیدواژه‌ها [English] | ||
| Housing price, LSTM, Price prediction, Time series forecasting | ||
| مراجع | ||
|
اسلامی بیدگلی، غلامرضا؛ باجلان، سعید (1387). آزمون نظریه مقداری پول در ایران و بررسی اثربخشی سیاست تثبیت قیمت‌ها با استفاده از مدل‌های گارچ. پژوهشنامه اقتصادی، 8 (29)، 205-225.
بانک مرکزی ایران (1372-1400). گزارش‌های دوره‌ای شاخصها و متغیرهای اقتصادی. انتشارات بانک مرکزی ایران.
جهانگیری، خلیل؛ حسینی ابراهیم آباد، سید علی (1396). بررسی آثار سیاست پولی، نرخ ارز و طلا بر بازار سهام در ایران با استفاده از مدل MS-VAR-EGARCH . تحقیقات مالی، 19 (3)، 389-414.
حسینی، سید صفدر؛ محتشمی، تکتم (۱۳۸۷). رابطه تورم و رشد نقدینگی در اقتصاد ایران؛ گسست یا پایداری؟ پژوهش‌های اقتصادی (رشد و توسعه پایدار)، ۸ (۳)، ۴۲-۲۱.
حیدری، مهدی؛ امیری، حمیدرضا (1401). بررسی قدرت مدل‌های مبتنی بر هوش مصنوعی در پیش‌بینی روند قیمت سهام بورس اوراق بهادار تهران. تحقیقات مالی، 24 (4)، 602-623.
زبیری، هدی؛ نادمی، یونس (۱۳۹۴). بررسی اثر شکاف نرخ ارز بر بیکاری در اقتصاد ایران با استفاده از روش مارکوف سوئیچینگ. فصلنامه برنامه‌ریزی و بودجه، ۲۰ (۱)، ۱۳۶-۱۰۹.
شمس، شهاب الدین؛ ناجی زواره، مرضیه (1394). بررسی مقایسه‌ای بین مدل ترکیبی سیستم ژنتیک فازی ـ عصبی خودسازمان‌ده و مدل خطی در پیش‌بینی قیمت توافقی قراردادهای آتی سکه طلا. تحقیقات مالی، 17 (2)، 239-258.
عباسی نژاد، حسین؛ تشکینی، احمد (1383). آیا تورم در ایران یک پدیده پولی است؟ تحقیقات اقتصادی، 67 (1)، 181-212.
عیوضلو، رضا؛ اسلامی بیدگلی، سعید؛ خورسندی آشتیانی، امیررضا (1398). مقایسه شاخص‌های قیمتی تکرارشونده (BMN و کیس ـ شیلر) در بازار مسکن شهر تهران. تحقیقات مالی، 21 (3)، 348-363.
قلی‌زاده، علی‌اکبر؛ ملاولی، طاهره (1391). بررسی اثرات نقدینگی بر نوسان قیمت مسکن در کشورهای نفتی و غیرنفتی. فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، ۲۰ (۶۳)، 83-104.
مرکز آمار ایران (1372-1400). گزارش‌های دوره‌ای شاخص‌های اقتصادی و خانوار. انتشارات مرکز آمار ایران.
موسوی، میرحسین؛ درودیان، حسین (1394). تحلیل عوامل مؤثر بر قیمت مسکن در شهر تهران. فصلنامه علمی مدلسازی اقتصادی، 9 (31)، 103-127.
References Abbasinejad, H. & Teshkini, A. (2005). Is inflation a monetary phenomenon in Iran? Journal of Economic Research, 39(4), 181-212. (in Persian) Bishop, C.M. (2006). Pattern recognition and Machine Learning. Springer Press, 225-290. Central Bank of Iran (1993-2022). National Economic Indices Periodic Survies. Official Publications of CBI. (in Persian) Chen, X., Wei L. & Xu, J. (2017). House price prediction using LSTM. The Computing Research Repository (CoRR-2017). Eslami Bidgoli, G. & Bajalan, S. (2008). Test of the quantity theory of money in Iran and examination of the effectiveness of price stabilizing policy with GARCH models. Economics Research, 8(29), 205-225. (in Persian) Eyvazloo, R., Eslamibidgoli, S. & Khorsandi, A. (2019). Comparing repeated sales indices (BMN and Case-Shiller) in real estate markets in city of Tehran. Financial Research Journal, 21(3), 348-363. (in Persian) Gholizade, A.A. & Mollavali, T. (2012). The effects of liquidity on housing price fluctuations in oil-producing countries vs. other countries. Quarterly journal of economic research and policies, 20 (63), 83-104. (in Persian) Goldberg, K. P. & Knetter, M. M. (1997). Goods prices and exchange rates: what have we learned? Journal of Economic Literature, 35(3), 1243-1272. Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. MIT Press. Hansson, F. & Rostami J. (2019). Time series forecasting of house prices: an evaluation of a support vector machine and a recurrent neural network with LSTM cells. Uppsala University Thesis. May 2019. Heidari, M. & Amiri, H. (2022). Inspecting the Predictive Power of Artificial Intelligence Models in Predicting the Stock Price Trend in Tehran Stock Exchange. Financial Research Journal, 24(4), 602-623. (in Persian) Hosseini, S. S. & Mohtashami, T. (2008). The relations of money growth and inflation in Iran economy; interruption or satiable? Quarterly Journal of Economic Research, 8(3), 21-42. (in Persian) Jahangiri, Kh. & Hoseini Ebrahimabad, S.A. (2022). The Study of Monetary Policy, Exchange Rate and Gold Effects on the Stock Market in Iran Using MS-VAR-EGARCH Model. Financial Research Journal, 19(3), 389-414. (in Persian) Karevan, Z., Johan A.K. & Suykens, J. (2019). Transductive LSTM for time-series prediction: an application to weather forecasting. The official journal of the International Neural Network Society, 125(7567). Katiyar, S. & Borgohain, S. (2021). Image captioning using Deep stacked LSTMs, contextual word embeddings and data augmentation. National Institute of Technology, India (Preprint submitted to ArXiv on Feb 2021). Limsombunchai, V., Gan Ch. & Lee, M. (2004). House price prediction: Hedonic price model vs. ANN. American Journal of Applied Sciences, 1 (3), 193-201. Mousavi, M. & Doroodian, H. (2016). The determinants of housing prices in Tehran. Quarterly Journal of Economical Modeling, 9(31), 103-127. (in Persian) Rabbya, F., Tua, Y., Hossena, I., Lee, I., Maidaa, A. S. & Hei, X. (2021). Stacked LSTM based deep recurrent neural network with Kalman smoothing for blood glucose prediction. The University of Louisiana at Lafayette, Lafayatte & University of Pennsylvania, Philadelphia, USA (Preprint submitted to ArXiv on Jan 2021). Shams, Sh. & Naji Zavareh, M. (2015). Comparison Between the Hybrid Model of Genetic Fuzzy and Self - Organizing Systems and Linear Model to Predict the Price of Gold Coin Futures Contracts. Financial Research Journal, 24(4), 602-623. (in Persian) Tsatsaronis, K. & Zhu. H. (2004). What drives housing price dynamics: cross-country evidence. Bank for International Settlements (BIS) Quarterly Review, 65-78. Statistical Center of Iran (1993-2022). Economic Indices and Households Income and Expenditure Periodic Survies. Official Publications of SCI. (in Persian) Xiao, F. (2020). Time series forecasting with stacked Long Short-Term Memory networks. Presented for Toronto Transit Commission Nov 2020. Yu, L., Jiao, C., Xin, H., Wang, Y. & Wang, K. (2018). Prediction on housing price based on Deep Learning. International Journal of Computer and Information Engineering, 12(2), 90-99. Zhang, H. Li, L. Hui, E. Ch. Li, V. (2016). Comparisons of the relations between housing prices and the macroeconomy in China’s first. second- and third-tier cities. Habitat International. 57, 24-42. Zobeiri, H. & Nademi, Y. (2015). Exchange rate gap effect on unemployment rate in Iran using Markov-switching model. The Quarterly Journal of Planning and Budgeting, 20 (1), 109-136. (in Persian) | ||
|
آمار تعداد مشاهده مقاله: 153 تعداد دریافت فایل اصل مقاله: 211 |
||