پيش‌بيني قيمت مسكن با استفاده از الگوريتم هوش مصنوعي LSTM

هدف: امروزه، پيش‌بيني قيمت در بازارهاي مختلف، به بخش حياتي و جدايي‌ناپذيري از بازار دارايي‌ها تبديل شده است. دانستن اينكه قيمت محتمل يك دارايي همچون مسكن، در آينده به چه ميزان است، براي سرمايه‌گذاران ارزش اطلاعاتي بسيار زيادي دارد. اين در حالي است كه با توجه به مواجه‌شدن اقتصاد مسكن با شوك‌هاي قيمتي و نوسان‌هاي شديد بازارهاي موازي، پيش‌بيني زمان صحيح براي سرمايه‌گذاري در مسكن، به دغدغه‌اي براي ذي‌نفعان اين بخش تبديل شده است. بررسي روند تحولات قيمت مسكن در ايران، از اين حكايت دارد كه هم‌راستا با سطح قيمت‌ها و شاخص‌هاي كلان ديگر، قيمت مسكن نيز روند مشابهي را طي مي‌كند؛ اما تغييرات قيمت مسكن در مقايسه با تغييرات ساير شاخص‌هاي خُرد و كلان اقتصادي متفاوت است. اين موضوع آنجا پيچيده‌تر مي‌شود كه در تحليل شاخص قيمت مسكن با داده‌هاي مختلف كمّي و كيفي و همچنين داده‌هاي تصادفي، پراكنده و غيرساخت‌يافته مواجهيم كه پياده‌سازي مدل‌هاي رياضي را براي آن‌ها بسيار سخت مي‌سازد. هدف مقاله طراحي يك مدل هوش مصنوعي با بيشترين انعطاف‌پذيري نسبت به تنوع داده‌هاي ورودي و كمترين ميزان خطا در بخش خروجي است. همچنين، پياده‌سازي مدل با داده‌هاي واقعي نيز، هدف ضمني ديگر پژوهش است تا كارايي مدل در شرايط واقعي بازار بررسي شود.روش: مدل‌هاي هوش مصنوعي اين قابليت را دارند كه گستره وسيعي از داده‌ها را دريافت كنند و براي رسيدن به خروجي مشخص، هم‌زمان آن‌ها را پردازش كنند. در موضوعات مالي، اين ويژگي‌ها باعث مي‌شود كه اثربخشي و دقت مدل افزايش يابد. الگوريتم طراحي‌شده در اين پژوهش، بر پايه شبكه‌هاي عصبي بازگشتي است و الگوريتم LSTM با توجه به قابليت حفظ اطلاعات گذشته، در پيش‌بيني سري‌هاي زماني استفاده شده است. در هر دو دسته از سري‌هاي زماني تك‌متغيره و چندمتغيره، از معماري stacked-LSTM استفاده شده استيافته‌ها: در اين كار پژوهشي با استفاده از مجموعه داده‌هاي مراجع رسمي، همچون بانك مركزي ايران و مركز آمار ايران، متغيرهاي تأثيرگذار در قيمت مسكن، در قالب يك ماتريس هم‌بستگي تحليل شده است و پس از انتخاب متغيرهايي كه روي قيمت مسكن بيشترين اثرگذاري دارند، ميانگين قيمت مسكن تهران پيش‌بيني شده است. يافته‌هاي اين پژوهش نشان مي‌دهد كه قيمت طلا، قيمت ارز، شاخص بهاي كالا و خدمات و همچنين حجم نقدينگي، بيشترين هم‌بستگي را با قيمت مسكن داشته‌اند. با استفاده از داده‌هاي اين شاخص‌هاي اقتصادي، پيش‌‌بيني‌هايي با دقت‌هاي بسيار زياد به‌دست‌ آمد.نتيجه‌گيري: در بين چهار مدل ساخته شده در اين پژوهش، بهترين پيش‌بيني، به مدل stacked-LSTM چندمتغيره با متغيرهاي كلان اقتصادي، با بيشترين هم‌بستگي با قيمت مسكن تعلق يافت. اعتبارسنجي مدل‌ها با ميانگين درصد قدرمطلق خطا محاسبه و برآورد شده است. وجه مشترك نتايج به‌دست‌آمده در همه مدل‌ها، نمايش قابليت و كارايي مطلوب الگوريتم LSTM است كه براي داده‌هاي بيش از دو دهه بازار مسكن تهران، به‌منظور تخمين قيمت‌هاي آتي استفاده شده است.