反應(yīng)市場需求的變化,并最終體現(xiàn)在商品市場價格的變化上,商品房房價的變化亦是如此。本文基于這一思想,利用目前我國國內(nèi)使用范圍最廣的百度搜索數(shù)據(jù)對北京市商品房價格進行擬合和預測,選取與商品房價格搜索相關(guān)的83個關(guān)鍵詞的百度指數(shù),并用Python對百度指數(shù)網(wǎng)頁進行關(guān)鍵詞數(shù)據(jù)抓取。數(shù)據(jù)清洗時首先看其是否錄入百度指數(shù),確定下63個關(guān)鍵詞,再依次利用簡單手動篩選、相關(guān)系數(shù)篩選等步驟選出9個關(guān)鍵詞作為最終自變量的關(guān)鍵詞,分別是:AJR（按揭貸款利率）、BDR（銀行貸款利率）、BJFP（北京房價）、CPI、FDBR（房貸基準利率）、GDPR（GDP平減指數(shù)）、PCFD（公積金貸款）、PCFDED（公積金貸款額度）、PPI。建立隨機森林模型,并檢測模型的擬合和預測效果。結(jié)果顯示:隨機森林模型擬合效果、預測效果較好,本文所用方法可預測商品房房價領(lǐng)先官方發(fā)布數(shù)據(jù)10～15d。本文最后根據(jù)實證結(jié)果提出相關(guān)建議。 

【文章頁數(shù)】：2 頁

【文章目錄】：
1 研究背景及意義
    1.1 問題描述
    1.2 問題假設(shè)
    1.3 變量描述
2 系統(tǒng)架構(gòu)
3 試驗過程
    3.1 數(shù)據(jù)來源
    3.2 數(shù)據(jù)選取
    3.3 建立隨機森林模型
        3.3.1 決策樹
        3.3.2 bootstrap抽樣
        3.3.3 隨機森林算法
        3.3.4 SPSS
        3.3.5 使用SPSS建模、預測
        3.3.6 結(jié)果分析
4 模型的評價與改進


【參考文獻】：
期刊論文
[1]基于搜索關(guān)鍵詞關(guān)注度的商品房價格指數(shù)預測[J]. 白麗娟,閆相斌,金家華.  預測. 2015(04)
[2]基于網(wǎng)絡(luò)搜索數(shù)據(jù)的房地產(chǎn)價格預測[J]. 董倩,孫娜娜,李偉.  統(tǒng)計研究. 2014(10)
[3]基于網(wǎng)絡(luò)關(guān)鍵詞搜索的房地產(chǎn)價格影響因素研究[J]. 楊樹新,董紀昌,李秀婷.  新疆財經(jīng)大學學報. 2013(03)
[4]網(wǎng)絡(luò)搜索數(shù)據(jù)與CPI的相關(guān)性研究[J]. 張崇,呂本富,彭賡,劉穎.  管理科學學報. 2012(07)
[5]時間序列分析法在房價預測中的應(yīng)用——以廣州市的數(shù)據(jù)為例[J]. 武秀麗,張鋒.  科學技術(shù)與工程. 2007(21)

碩士論文
[1]網(wǎng)絡(luò)搜索數(shù)據(jù)在預測房地產(chǎn)價格指數(shù)中的應(yīng)用研究[D]. 唐一丁.吉林大學 2016
[2]房地產(chǎn)政策調(diào)控效果實證研究[D]. 龔小樂.南京大學 2016
[3]基于網(wǎng)絡(luò)搜索的中國區(qū)域房價預測模型及應(yīng)用研究[D]. 王希晶.南京大學 2016
[4]灰色神經(jīng)網(wǎng)絡(luò)與支持向量機預測模型研究[D]. 肖軒.武漢理工大學 2009



本文編號：3683096