فهرست نشریات علمی دسترسی آزاد ایران

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 تأثیرگذار 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.