关于BP神经网络在房地产投资风险分析中的应用.doc

精品论文关于 bp 神经网络在房地产投资风险分析中的应用王馨婕 辽宁工程技术大学理学院信息与计算科学，辽宁（123000） e-mail：摘要：人工神经网络起源于20世纪，它是当今世界关注的高科技热点，并开始显示出美 好的广阔的应用前景。一般来说，只有经过充分学习的神经网络人们才能放心使用。本文阐 述了bp神经网络的基本理论、算法、缺陷及改进方法,将bp神经网络的理论应用于房地产投资的风险分析,通过构建分析模型,对样本进行了训练和检测,分析了我国房地产投资风险及其变化规律。旨在防范投资风险,促进房地产业健康发展。 关键词：bp 神经网络；房地产投资；风险分析1. 引言房地产投资风险是指房地产投资主体直接或间接把一定量的资金投入房地产开发过程, 由于受各种不确定因素影响而造成的收益下降、损失增加或投资成本增大等不利结果的可能 性。研究我国房地产投资风险,科学防范投资风险,对促进我国房地产业健康有序发展具有重 要的现实意义。在风险投资项目的综合评价模型中,一般常用的方法包括德尔菲法、层次分析法、模糊 综合评价法等,在不同类型风险分析的问题研究中取得了一定的效果,但由于它是以专家对风 险因素两两比较判断作为基础的,因此会使权重的确定出现不一致性。人工神经网络方法是 解决这一问题的有效工具,本文试图将人工神经网络方法应用于房地产投资风险分析。2.bp 神经网络模型、算法及其改进1.1 关于 bp 神经网络模型及算法人工神经网络是生物神经网络系统的模拟,其信息处理功能是由网络单元的输出输入特 性(激活特性)和网络的拓扑结构(神经元的连接方式)所决定,需要通过样本训练优化网络传 输参数,精确综合评估结果,其中bp神经网络模型不需要构建任何数学模型,过去的经验和专 家的知识进行模型构建,尤其可用来处理模糊的、非线性的及含有噪声的数据,因此相对于其 他综合评估模型来讲,更适合城市轻轨项目的风险评价。该网络模型是反向传播模型的简称具有较好的自学习、自联想功能,应用最为广泛,它是 一个典型的多层神经网络,包括输入层、隐节点层和输出层,层间多为全互连方式,同层单元之 间不存在相互连接,g.cybenyo等人证明,具有一个隐节点层的神经网络能够以任意精度表示 任何连续函数,因此实际应用中,经常使用三层网络结构。bp算法的学习是由正向传播和反向传播两个过程组成的,在正向传播过程中输入信息从 输入层经隐节点层逐层处理,并传向输出层,如果在输出层不能得到期望输出,则转入反向传 播将误差信号沿原来的连接通路返回,把网络学习时输出层出现的与事实不符的误差归结为 连接层中各节点间连接权及阀值的过错,通过把输出层节点的误差逐层向输入层逆向传播以 分摊给各连接节点,据此调整连接权,从而使输出值达到满意。bp神经网络的结构见图1- 6 -输入层隐含层输出层图 13 层 bp 人工神经网络模型1.2bp学习算法的步骤（1）初始化 在依据实际问题（输入变量和输出变量个数）给出网络连接结构，随机的设置所有连接权值为任意小。（2）提供训练样本如果输入变量 为 n 个 ，输出变量 为 m 个，则每个训练 样本形 式为： (x1 , x2 ,l, xn ;t1, t2 ,l.tm ) 。这里 t1 , t2 ,ltm 是输出为 x1, x2 ,l xn 时的输出期望。（3）计算实际输出利用非线性函数 1y j = 1+ exp xij w j j逐级计算各层节点（不包括输入层）的输出值，令最后的输出为o1, o2 l, om 。（4）权值调整 用递归方法从输出节点开始返回到隐层节点，按下式调整权值：wij (n + 1) = wij (n ) +oi j这里 oi 是上层第 i 节点的输出， 是一个正的增益系数，也称作步长。若 j 是输出层节点，则 j= o j 1 o j t j o j若 j是隐层节点，则 j= o j 1 o j k w jk ，其中其中k 是节点j所在层次的下层次的所有节点。 k有时为了收敛速度快些，可增加一个冲量项，使权值变得平滑一些，即wij= (n + 1) = wij (n ) +o j j + wij (n ) wij (n 1)o 1 =1 2（5）返回（2）步，重复之，直到误差 e = t j o j 满意为止。2j在实际训练时，一般是通过查看计算输出向量 (o1,o2 ,l,om )与目标输出向量(t1,t2 ,l,tm )的接近程度来确定训练是否结束，只有训练组中所有样本都加入到网络上后，输出向量和对应的目标向量都接近，才认为训练结束，权值都得到固定。12. 房地产投资风险分析的bp网络模型的建立2.1建立房地产投资风险因素指标体系房地产投资是一项技术性、综合性、专业性极强的活动,它作为当今的投资热点之一。 影响住宅市场购买需求的因素有很多，本文通过对房地产项目投资风险成因的分析,以大连 某房地产公司的项目为例,建立一套较为系统、合理的房地产项目投资风险评价指标体系,如 图2所示。2房地产投资风险险市场风险经济风险建设风险其他风险风险风险风险物价竞争工资利率风险周期风险经营风险资金风险质量风险工期自然风险合同风险管理风险图 2 房地产投资风险指标体系2.2设计房地产投资风险分析的bp神经网络模型在建立房地产投资风险因素指标体系后,需要考虑的是确定bp神经网络的结构，包括输 入层、隐含层、输出层。对于输入信号,要先向前传播到隐含节点,经过函数作用后,再把隐含 节点的输出信息传递到输出节点,最后得到输出变量结果,神经元节点函数通常取为s型函数。 bp网可以实现从输入到输出的任意复杂的非线性映射关系,并具有良好的泛化能力,能够完 成复杂模式识别的任务.经验表明合理确定网络层数与各层的神经元数,是成功应用bp网络 模型的关键之一。2.2.1神经网络输入层的确定 神经网络的输入层可以根据问题的要求而定,根据前面建立的投资风险评价指标体系,将12个风险因素作为网络输入，由于该神经网络模型是应用于项目决策前期,所以建立指标体系所考虑的因素均为定性因素,在进行输入节点输入时先将指标定量化,以便于网络模型的应 用,所以输入层确定为神经网络隐含层的确定 根据经验,没有任何理论根据采用两层以上的隐含层,对大多数实际问题,一层隐含层即三层网络己经足够了。实践证明,采用二层以上的隐含层几乎没有任何益处。采用越多的隐含层,训练时间就会急剧增加,这是因为:（1）隐含层越多,误差向后传播的过程计算就越复杂, 使训练时间急剧增加;（2）隐含层增加后,局部最小误差也会增加。为了使隐层节点数更合适, 可以通过误判率的大小来确定，根据测试本模型隐含层节点选3个。2.2.3神经网络输出层的确定 输出节点选择对应于评价结果,在本文建立的模型中,最终的结果是一个评价数值,因此选择1个输出节点。2.2.4bp神经网络的模式表示 为了便于bp神经网络的训练和直观地了解网络训练和测试的结果。把所有的风险因素都定义为定性因素,需要专家分析确定其大小,而且将所有的数据都归化为0,1之间的数,把风险因素按其大小分为大、中、小三级。其间根据风险大小的变化,以增加量进行调整打分。 评价系统模型结构为12-3-1型,即输入层单元数为12,隐含层单元数为3,输出层单元数为1,神 经元的活化函数为sigmoid型,网络的输入依次为 x1 , x2 ,l x12 , ,一个输出值y为项目的综合 风险度。用足够多的案例训练这个网络,使不同的输入向量得到相应输出量值,这样,训练好的 人工神经网络可以作为项目风险评价和效益评价的工具。bp神经网络可以利用matlab提供的工具箱来实现。matlab现已成为国际上公认 的最优秀的数值计算和仿真分析软件,现在用得较多是matlab7. 0 版本。以上任务可由 matlab7. 0版本中神经网络工具箱中的相关函数完成。33. 训练和检测房地产投资风险分析的bp神经网络模型3.1bp神经网络的建立 利用上文已经建立的房地产投资风险指标体系选取8个风险投资项目进行评估（选取6个作为模型的训练样本,2个作为模型的检测样本）,其中包括对各种风险的评估和对项目风险的总评估。以市场为例,构造训练样本集,它包括3个风险指标:物价风险,竞争风险,工资风险。 项目各评价指标的大小可以分为小、较小、一般、较大、大5个等级,将其分别量化为 (0.1,0.3,0.5，0.7,0.9)5个数值。将6个风险投资项目各指标交给专家分析，得到投资风险项目指标评价值，再对其评价 值进行一些列整理，最后各指标评价值作为神经网络的输入如表1所示表1神经网络的输入评价物价竞争工资利率周期经营资金质量工期自然合同管理 指标风险风险风险风险风险风险风险风险风险风险风险风险10.4762 0.5102 0.4868 0.4001 0.49760.4423 0.5003 0.40210.51070.5523 0.39860.442520.4768 0.5203 0.4461 0.4234 0.4166 0.3785 0.5501 0.443530.4952 0.6456 0.5730 0.4854 0.5926 0.4744 0.4994 0.48620.54230.5012 0.43700.59720.5758 0.79100.45010.502040.4994 0.5686 0.5194 0.4604 0.538450.4106 0.6310 0.3936 0.3744 0.470260.7702 0.7702 0.7702 0.7702 0.77020.4312 0.4800 0.46880.4230 0.3970 0.30340.7702 0.7702 0.77020.55940.5312 0.45520.46420.3254 0.44020.77020.7702 0.77020.38040.34180.7702接下来，运用matlab对项目投资风险评价模型进行学习训练,运用6个样本输入,输出值对前面建立的神经网络模型进行学习训练,通过训练26172次后,总体误差满足要求,此时误差 eav = 0.00009997,结果见表2。表 2神经网络模型的训练样本输出项目编号123456专家分析0.41430.47450.53510.50690.35720.6129实际输出0.42550.47230.54230.49580.35130.61903.2bp神经网络模型的检验对bp网络模型样本的训练完毕后,开始进行bp模型的检测,检测样本的输入表3。表 3神经网络模型的检测样本输入评价指标物价风险竞争风险工资风险利率风险周期风险经营风险资金风险质量风险工期风险自然风险合同风险管理风险10.36790.45050.50200.49880.52660.41200.42660.48330.44610.44880.31070.358620.31870.30760.51200.32980.33510.41200.32340.39100.55230.55230.41020.4521运用 matlab 对 bp 网络模型的检测样本进行输出，见表 4表 4 神经网络模型的检测样本输出项目编号12专家分析0.33430.4103实际输出0.32480.4126经过训练和检测样本的比较，则会发现检测样本网络输出结果与专家评价结果基本相符合,误差为 eav = 0.00004627,输出结果为0.4126,0.30.41260.5,说明项目存在一定的风险,应采取一定的措施来解决问题,以满足要求,这样,一个用于房地产投资风险评价的人工bp神经网络模型已经训练成功,可以用此模型对项目投资风险进行风险数值评价,以作为决策者的 决策依据。4. 总结bp神经网络模型是综合评价社会、经济现象的有效定量方法,神经网络具有较强的非线 性动态处理能力, 无需知道数据的分布形式和变量之间的关系,可实现高度非线性映射,借用 matlab神经网络工具箱无需在编程上花费大量的时间就可以得到输出结果。将神经网络方法应用于房地产投资风险分析是一种新的尝试,随着科技的发展,神经网络 方法会更加完善,房地产投资风险分析的进行能有效化解、减轻、控制风险,减少其危害程度, 使其达到投资者预期目标,使房地产业沿着正确的轨道蓬勃发展。参考文献1 郭嗣琮,王刚.信息科学中的软计算方法m.沈阳:东北大学出版社,2001. 2 刘洪玉.房地产开发经营与管理m.北京:中国物价出版社,2001.3 闻新,周露,王丹力.matlab神经网络应用设计m.北京:科学出版社,2002.the application of bp neutral networks on the analysis ofreal estate investment riskswang xinjiecollege of science, liaoning engineering technology university, fuxin,liaoning（123000）abstractthe artificial neutral networks is started in 20th century .it is the focus of higher technology in modernsociety,and the bp is showing the widely used prospect of itself. generally speaking ,only the ones