پیش‌بینی قیمت مسکن با استفاده از الگوریتم هوش مصنوعی lstm

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 استیافته‌ها: در این کار پژوهشی با استفاده از مجموعه داده‌های مراجع رسمی، همچون بانک مرکزی ایران و مرکز آمار ایران، متغیرهای تاثیرگذار 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.

housing price forecasting using ai (lstm)

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. methodsartificial 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. resultsin 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. conclusionamong 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.