Прогнозирование рынка недвижимости с помощью нейронных сетей На примерах торговой, офисной и жилой недвижимости г. Москвы Схема искусственной нейронной сети - входной слой - внутренние слои - слой выхода Архитектура нейронной сети для прогнозирования ставок арендной платы в торговых центрах Архитектура нейронной сети для прогнозирования ставок арендной платы в офисах класса А Архитектура нейронной сети для прогнозирования цен на квартиры Результаты нейросетевого моделирования 2500 долл. за кв.м . 2000 1500 1000 500 0 апр.01 ноя.01 май.02 дек.02 Ставки аренды в ТЦ Цены на квартиры Ставки аренды офисов (модель) июн.03 янв.04 авг.04 фев.05 Ставки аренды офисов класса А Ставки аренды в ТЦ (модель) Цены на квартиры (модель) Среднее абсолютное отклонение различных методов прогнозирования 180,00 160,00 140,00 120,00 100,00 80,00 60,00 40,00 20,00 ре гр ес с М но ж ес т ве нн ая Не йр ос ет ь ия ия Ре гр ес с Уи нт ер са М ет од М ет од Хо ль т ив ан ие сг ла ж ср ед ня я Э кс по не нц иа ль но е Ск ол ьз ящ ая а 0,00 торговля офисы квартиры Среднеквадратическая ошибка различных методов прогнозирования 16 000,00 14 000,00 12 000,00 10 000,00 8 000,00 6 000,00 4 000,00 2 000,00 0,00 Скользящая средняя Экспоненциальное Метод Хольта Метод Уинтерса сглаживание Регрессия Множественная регрессия торговля офисы квартиры Нейросеть Средняя абсолютная ошибка (в процентах) различных методов прогнозирования 16,00% 14,00% 12,00% 10,00% 8,00% 6,00% 4,00% 2,00% ре гр ес с М но ж ес т ве нн ая М ет од торговля офисы квартиры Не йр ос ет ь ия ия Ре гр ес с Уи нт ер са а Хо ль т М ет од ла ж сг Э кс по не нц иа ль но е Ск ол ьз ящ ая ср ед ня я ив ан ие 0,00% Средняя процентная ошибка различных методов прогнозирования 12,24% 7,24% ре гр ес с ве нн ая ес т М но ж торговля офисы квартиры Не йр ос ет ь ия ия Ре гр ес с Уи нт ер са М ет од а Хо ль т М ет од сг Э кс -7,76% -12,76% ла ж ср ед ня я по не нц иа ль но е Ск ол ьз ящ ая -2,76% ив ан ие 2,24% Autocorrelation Function of Residuals (Office) 1,0 1,0 0,8 0,6 0,4 Autocorrelation Autocorrelation Function for Residuals (Retail) 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 2 Lag 3 Corr 4 T 5 LBQ 6 Lag Corr 1 0,10 0,59 0,38 8 -0,19 2 3 0,04 0,05 0,23 0,30 0,44 0,55 9 10 -0,11 -0,09 4 0,06 0,34 0,70 5 6 0,01 -0,39 0,04 -2,16 0,70 7,05 7 -0,14 -0,66 7,84 7 T -0,90 -0,53 -0,43 8 9 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 10 2 3 4 5 6 7 8 LBQ Lag Corr T LBQ Lag Corr T LBQ 9,42 1 0,33 1,52 2,65 8 0,06 0,24 5,61 2 3 -0,11 -0,09 -0,45 -0,35 2,94 3,14 9 10 -0,24 -0,14 -0,93 -0,52 7,97 8,84 4 -0,02 -0,09 3,16 5 6 -0,17 -0,21 -0,68 -0,84 3,99 5,42 7 0,04 0,14 5,47 10,03 10,44 Autocorrelation Function of Residuals (Flats) Autocorrelation Autocorrelation Коэффициенты автокорреляции для остатков нейросетевой модели 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 2 3 4 5 6 7 8 Lag Corr T LBQ Lag Corr T LBQ 1 0,24 1,25 1,73 8 -0,12 -0,47 13,93 2 3 -0,30 -0,45 -1,51 -2,08 4,64 11,36 9 10 0,10 0,05 0,40 0,19 14,39 14,50 4 -0,15 -0,63 12,20 5 6 0,18 0,00 0,71 0,02 13,34 13,34 7 0,00 0,01 13,34 9 10 9 10 Гистограммы распределения остатков нейросетевой модели Histogram of Residuals (retail) Histogram of Residuals (flats) 10 Histogram of Residuals (office) 8 6 8 5 6 4 6 4 3 4 2 2 2 Std. Dev = 66,28 0 -125,0 -100,0 -75,0 -25,0 -50,0 25,0 0,0 75,0 50,0 125,0 100,0 Mean = 11,1 Std. Dev = 42,03 N = 32,00 Mean = -4,6 N = 28,00 0 -80,0 -60,0 -40,0 -20,0 0,0 20,0 40,0 60,0 80,0 1 Std. Dev = 18,41 Mean = -9,6 N = 21,00 0 -60,0 -50,0 -40,0 -30,0 -20,0 -10,0 0,0 10,0 20,0 Выводы: моделирование и прогнозирование тенденций на рынке недвижимости с помощью нейронных сетей возможно и дает неплохие результаты; наилучшие результаты данный метод дает на рядах значений со сложным поведением; применение нейронных сетей на рынке недвижимости может быть успешным из-за таких особенностей рынка недвижимости, как, во-первых, большая инерционность и, вовторых, 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.