پیش بینی قیمت مسکن با استفاده از الگوریتم هوش مصنوعی LSTM

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 خرد و کلان اقتصادی متفاوت است. این موضوع آنجا پیچیده تر می شود که در تحلیل شاخص قیمت مسکن با داده های مختلف کمی 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 است یافته ها: در این کار پژوهشی با استفاده از مجموعه داده های مراجع رسمی، همچون بانک مرکزی ایران و مرکز آمار ایران، متغیرهای تاثیرگذار 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.

Keywords:

قیمت مسکن , LSTM , پیش بینی قیمت , پیش بینی سری زمانی