Journal of Economic Modeling Research
تحقیقات مدلسازی اقتصادی
jemr
Literature & Humanities
http://jemr.khu.ac.ir
1
admin
2228-6454
2538-4163
10.52547/jemr
fa
jalali
1393
9
1
gregorian
2014
12
1
5
18
online
1
fulltext
fa
پیشبینی دورههای رونق و رکود قیمت مسکن با استفاده از تجزیه موجک و شبکههای عصبی مصنوعی
Forecasting the Hosing Booms or Busts Using Wavelet Decomposition and Artificial Neural Networks
شهری و منطقه ای
شهری و منطقه ای
كاربردي
Applicable
<p align="right">
با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیشبینی و استخراج دورههای رونق و رکود قیمت مسکن میتواند برای خریداران مسکن و یاسرمایهگذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پلهای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکلهای بلند مدت با فرکانس پایین قیمت مسکن توسط فیلتر موجک با استفاده از سری زمانی قیمت مسکن از Q41390Q3-1369، و با استفاده از شبکه عصبی اقدام به پیشبینی ادامه سیکلهای قیمت مسکن با استفاده از سیکلهای استخراج شده قیمت مسکن جهت شناسایی و پیشبینی دورههای رکود یا رونق قیمت مسکن، در فصولبعد از فصل چهارم سال 1391 شده است. که نتایج نشان داد که از فصل انتهایی سال 1391 تا پایان فصل سوم این سال شاهد طیشدن دورههای رونق قیمت مسکن هستیم و در ادامه قیمت مسکن از فصل پایانی سال 1392 با رکود مواجه میشود.</p>
Generally,some booms in housing prices are followed by busts. One common phenomenon relating these changes is that the house price cycle is generally believed to the product of the short-run deviations from the long-run upward trends. The long-term cyclical fluctuation in Iran’s housing market was periodically occurred about every 6 years.<br> Furthermore, Movements in house prices have significant impact on household welfare, financial stability and business cycles. Being able to forecast housing price booms is therefore of central importance for central banks, financial supervision authorities as well as for other economic agents. However, forecasting house prices using only a single or a few selected variables at a time intuitively appears efficient because only a single variable almost contain all of the pertinent investigative information about the past behavior of the variable. In this study, wavelet decomposition has been used to extract the cyclical components of house price, and then using the cyclical components and neural network methodwe start to forecast the booms in housing prices in 2013.
تجزیه موجک, سیکلهای قیمت مسکن, شبکه عصبی مصنوعی
wavelet decomposition, housing cycles, neural network
7
46
http://jemr.khu.ac.ir/browse.php?a_code=A-10-493-3&slc_lang=fa&sid=1
Keyvan
Shahab Lavasani
کیوان
شهاب لواسانی
keyvanshahab@ut.ac.ir
10031947532846005665
10031947532846005665
Yes
Hossein
Abbasi Nejad
حسین
عباسی نژاد
habasi@ut.ac.habasi@ut.ac.ir habasi@ut.ac.ir
10031947532846005666
10031947532846005666
No
Faculty Of Economics
داشکده اقتصاد دانشگاه تهران