تحقیقات مدلسازی اقتصادی، جلد ۵، شماره ۱۸، صفحات ۷-۴۶
عنوان فارسی پیش‌بینی دوره‌های رونق و رکود قیمت مسکن با استفاده از تجزیه موجک و شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله تجزیه موجک، سیکل‌های قیمت مسکن، شبکه عصبی مصنوعی
عنوان انگلیسی Forecasting the Hosing Booms or Busts Using Wavelet Decomposition and Artificial Neural Networks
چکیده انگلیسی مقاله 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. 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.
کلیدواژه‌های انگلیسی مقاله wavelet decomposition, housing cycles, neural network
نویسندگان مقاله کیوان شهاب لواسانی | keyvan shahab lavasani
faculty of economics kargar shomali ave.tehran.141556445,iran.ir
کارگر شمالی- تقاطع جلال آل احمد- دانشکده اقتصاد دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

حسین عباسی نژاد | hossein abbasi nejad
faculty of economics kargar shomali ave.tehran.141556445,iran.ir
کارگر شمالی- تقاطع جلال آل احمد- دانشکده اقتصاد دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://jemr.khu.ac.ir/browse.php?a_code=A-10-493-3&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده شهری و منطقه ای
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات