美国实际房价指数预测

贝叶斯模型的滞后结构选择基于最小Schwartz信息准则（SIC）（Schwartz，1978）值。对于theBAR和BVAR模型，所选滞后为一。我们考虑了亮度项q、衰减因子g和优先级分布的标准偏差的各种值. 值q=0.3，g=0.5和 样本精度最高，用于训练BVAR以获得样本外预测。通过设置相互作用项获得BARmodel, 而q和g与BVAR模型中的相同。正如文献所建议的，我们将EN惩罚项的参数ao固定为0.5，因为模拟的结果a=0.1、0.3、0.7和0.9 yieldquantitative相似。可以访问所选变量athttp://utopia.duth.gr/~vplakand/Selected\\u Variables\\u by\\u the\\u Elastic\\u Net。PDF阿凯克信息准则（Akaike，1974）和Hannah Quinn信息准则（Hannah和Quinn，1979）的应用按预期选择了更高的滞后阶。我们遵循SIC，从而得到更为节约的模型。根据现有贝叶斯文献的建议，我们还分别对q和g的以下组合进行了实验：（0.2，1.0）；(0.1, 1.0); (0.2, 2.0); (0.1, 2.0).在表1中，我们报告了一个周期前静态预测的样本内和样本外预测精度。表1:sample accuracyModelMAPE（%）DS（%）MAPE（%）DS（%）RW4.73256.7015.35270.833RW的样本内和样本外预测结果，带漂移6.58852.5775.38770.833BAR4.95255.6705.42270.833BVAR4.80956.70111.93175.000EEMD-AR-SVR（线性）1.985*84.615*2.151*87.500*EEMD-EN-SVR（线性）2.33778.4955.99087.500*注：最佳值用*表示。

SVR模型的最佳内核在本文中有所提及。我们观察到，根据MAPE，EEMD-AR-SVR模型和EEMD-EN-SVR模型的样本精度最高。根据方向对称准则，latteris也是最精确的模型。当我们在表1的最后两列中评估我们的模型的样本外预测能力时，我们观察到EEMD-AR-SVR模型在MAPE和DS标准方面都优于所有其他模型。EEMD-EN-SVR在MAPE（预测误差加倍）方面的性能显著下降，目前除BVAR外，其他所有模型都优于EEMD-EN-SVR。就DSCriteria而言，EEMD-EN-SVR模型提供的方向预测精度仅次于EEMD-AR-SVR。最后，与SVR模型相比，BAR模型和BVAR模型的表现都很差，样本内和样本外的预测精度都较低，但BAR模型的预测精度优于EEMD-EN-SVR样本外模型。此外，与样本内和样本外的简单天真随机游走模型相比，BAR和BVARmodels提供的预测精度较低。另一方面，由于自回归EEMD AR SVRmodel优于RW模型，我们发现了反对Eugene Fama（1965）的有效市场假说（EMH）的证据。由于使用EEMD-AR-SVR模型，实际房价指数可以仅使用其自身的历史（滞后）值进行充分预测，因此我们可以得出结论，即使是较弱的形式效率也不受美国数据的支持。

住房市场。为了直观地表示表1中所示模型的预测能力，我们在图6中描述了样本外预测。图6：在我们从图6观察到的样本预测值中，EEMD-AR-SVR模型是五个经过测试的模型中唯一一个能够及时有效地预测2006-2009年引发最新金融危机的真实美国房价突然下滑的模型。EEMD EN SVRmodel在缺少样本数据的情况下表现非常差。这可能是EEMD-EN-SVR过度拟合的迹象。其他三个模型只滞后了一年，就捕捉到了实际房价的下滑。图7：EEMD-AR-SVR样本外预测值和实际值在图7中，我们仅描述了实际值和EEMD-AR-SVR模型预测。很明显，拟议的方法非常接近美国的实际价格。S、 住房市场。接下来，我们为更长的预测窗口生成预测。从我们目前使用的一个预测期（年）开始，我们现在将预测期延长到十个预测期（年）。在本分析中，我们仅使用EEMD-AR-SVR模型，该模型在样本预测前一个时期的表现优于allother测试模型。

RW模型也是一个基准。表2:Sample forecastingPeriodRWEEMD AR Svrweemd AR SVRMAPE（%）DS（%）MAPE（%）DS（%）MAPE（%）DS（%）MAPE（%）DS（%）MAPE（%）DS（%）MAPE（%）DS（%）4.38955.6701.985*84.615*5.35170.8332.016*87.500*6.68852.5773.481*71.111*10.46258.3334.164*83.333*8.35345.8335.669*50.000*14.90354.1679.895*62.500*8.66440.0006.766*42.046*18.67241.66715.344*45.833*9.66746.809*7.987*42.52920.73537.50016.528*41.667*10.23248.387*8.180*48.14820.76033.33320.566*37.500*10.64054.348*8.655*50.63319.874*25.00021.63029.167*10.59456.044*9.419*55.84418.133*29.16721.08537.500*11.20155.5569.757*56.000*16.364*33.33320.30041.667*11.42657.303*10.210*55.40514.713*37.500*18.04929.167注：每个预测期的最佳预测用*表示。正如预期的那样，随着预测范围的增加，模型的预测精度会下降。无论是在样本内预测还是样本外预测，还是在MAPEand和DS标准中，EEMD-AR-SVR模型在预测未来1到4年的窗口方面都优于RW模型。EEMD-AR-SVR模型的这一优势在未来6年内的两个标准的样本外预测中得以保持。此外，根据DS，EEMD-AR-SVR在9年前的表现优于RW模型。仅在最后一年（10）的样本外预测中，根据使用的两个标准，RW模型优于EEMD-AR-SVR。对于MAPE和样本预测，EEMD-AR-SVR在所有10个预测窗口中都优于RW模型。为了更好地观察所提出方法的预测能力，我们在图7中描述了EEMD-AR-SVR模型在样本期外的前四个层位的预测值。图8：多期预测。灰色区域表示美国经济的衰退期。S

国家经济研究局报告的经济。实际1期提前2期提前3期提前4期提前该模型预测美国住房市场价格将在2006-2009年大幅下跌至2期（年）。总体而言，所提出的方法正确预测了美国。S、 在实际事件发生前近两年，房价暴跌。根据Leamer（2007）的观察，房价暴跌可以被评估为经济商业周期阶段的一个指标。如图7所示，2006年开始的房价下跌标志着美国经济进入了一个收缩期，之后是2007年至2008年的衰退期。同样的现象在1991年第2季度短暂的经济衰退之前再次出现，1989-1990年间的价格下跌标志着一个收缩期。换句话说，预测房价恶化可能是经济进入收缩期的一个指标，因此货币政策应该相应调整。结论我们在预测美国实际房价指数时检验了11个预测因子，并与计量经济学的BAR和BVAR技术以及一种新的EEMD SVR预测方法进行了比较。实证结果表明，EEMD AR SVROUT在样本内和样本外预测中均能执行所有竞争模型。报告的研究框架扩展到单期和多期aheadfecasting，报告对2006-2009年价格下滑的早期准确检测。总的来说，我们认为所提出的预测方法可以有效地用作确定经济商业周期的政策工具。感谢瓦西里奥斯·普拉坎达拉斯（Vasilios Plakandaras）、帕帕迪米特里奥·西奥菲洛斯（Papadimitriou Theophilos）博士和。

Periklis Gogas在这项研究中获得了欧盟（欧洲社会基金会）和希腊国家基金会的部分资助，资金来自国家战略参考框架（NSRF）的运营项目“教育和终身学习”——研究基金项目：泰雷兹（MIS 380292）。通过欧洲社会基金投资知识社会。参考Abelson，P.、Joyeux，R.、Milunovich，G.和Chung，D.（2005）解释澳大利亚房价：1970-2003年。《经济记录》，81（S1），S96-S103。Afonso，A.和Sousa，R.M.（2012年）。财政政策的宏观经济效应。应用经济学，444439–54。阿方索，A.和索萨，R.M.（2011）。财政政策对资产市场有何影响？《经济建模》，281871-90。Agnello L.和Schuknecht，L.（2011）《房地产市场的繁荣与萧条：决定因素和影响》。《住房经济学杂志》第20卷，第171-190页。Agnello，L.，和Sousa，R.M.，（即将出版）。财政政策和资产价格。经济研究公报。Balcilar M.、Gupta R.和Miller M.S.（即将出版）。美国地区房价非线性模型的样本外预测表现。《房地产研究杂志》（Journal of Real Estate Research）。Beltratti，A.和C.Morana（2010）《国际房价与宏观经济波动》（International house prices and MacroeconomicFlactions）。银行与金融杂志（Journal of Banking&Finance），34（3），533–45。伯南克（Bernanke），B.和格特勒（Gertler），M.（1995）。黑匣子里：货币传导的信贷渠道。《经济展望杂志》（Journal of Economic Perspectives），9（4），27–48。凯斯，K.E.和梅美国地区内的区域房价动态科学与城市经济学26387-407。Case，K.E.和Shiller，R.J.（1990）预测住房市场中的价格和超额收益。AREUEA杂志第8卷，253–273。Chang C.-C.和Lin C.-J。

（2011）LIBSVM：支持向量机库。ACMTransations on Intelligent Systems and Technology，第2卷（27），第1-27页。软件可在http://www.csie.ntu.edu.tw/~cjlin/libsvm。Cortes C.和Vapnik V.（1995）《支持向量网络》，机器学习，第20卷，第273-297页。Cu Jirong，Zhu Mingcang和Jiang Liuguangyan（2011），《基于遗传算法和支持向量机的住房过程预测》，专家系统与应用，第38卷（4），第3383-3386页。Das，S.，Gupta，R.和Kabundi，A.（2009年）。我们是否可以预测南非房地产市场最近的低迷？《住房经济学杂志》，18（4），325–335。Das，S.、Gupta，R.和Kabundi，A.（2010年）。维度的祝福预示着美国九个人口普查部门的实际房价增长。《住房研究杂志》，19（1），89–109。Das，S.、Gupta，R.和Kabundi，A.（2011年）。区域房价通胀预测：动态因子模型与向量自回归模型的比较。《预测杂志》，30（2），288–302。Dickey，D.和Fuller，W.（1981），“具有单位根的自回归时间序列的似然比统计”，计量经济学，第491057-1072卷。Doan，T.A.、Litterman，R.B.和Sims，C.A.（1984）使用现实先验分布预测和条件预测。《计量经济学评论》第3卷，第1-100页。Engle，R.和Granger，C.（1987），“协整和误差修正：表示、估计和检验”，《计量经济学》，第55卷，第251-294页。Fama，E（1965）《股票市场价格的行为》，商业杂志。第38卷，第34-105页。Forni M.、Hallin M.、Lippi M.和Reichlin L.（2003）。金融变量是否有助于预测欧元区的通货膨胀和实际活动？货币经济学杂志。Friedman，J.、R.Tibshirani和T。

Hastie（2010）《通过坐标下降的广义线性模型正则化路径》。《统计软件杂志》，第33卷（1）。Gogas P.和Pragidis I.（2011）利息风险溢价是否预测住房价格？《国际经济研究杂志》，第8卷（1），第1-10页。Gogas P.、Papadimitriou T.和Takli E.（2013）《GDP预测中简单和和与除数货币总量的比较：支持向量机方法》，经济学公报，第33卷，第2期，第1101-1115页。郭W.和Tse P.（2013），《基于轴承振动信号最佳集成经验模态分解的新型信号压缩方法》，声音和振动杂志，第332卷，第423-441页。Gupta，R和Kabundi，A.和Miller，S.M.（2011）预测美国实际房价指数：有无基本面的结构性和非结构性模型。经济建模，2013-2021第28期。Gupta，R.（2013）《在数据丰富的环境中预测四个普查区域的房价和aggregateUS经济》，应用经济学，45:334677-4697。Gupta，R.和Das，S.（2010年）。预测美国房地产市场的衰退：阿巴耶斯方法。《房地产金融与经济杂志》，41（3），294–319。Gupta，R.和Hartley，F.（2013）《资产价格在预测南非通货膨胀和产出中的作用》。《新兴市场金融杂志》，第12卷（3），第239页，古普塔，R.和卡本迪，A.，2010年。预测美国实际房价：主成分与贝叶斯回归。《国际商业与经济研究杂志》，9（7），141-152。Ghysels E.、Plazzi A.、Torus W.和Valkanov R.（2013）《预测房地产价格》，E.、Alberto，W.和R.Valkanov，《经济预测手册：第二卷》，G.Elliott和A.Timmermann（编辑），Elsevier。Hastie，T.，R.Tibshirani和J。

弗里德曼（2008）《统计学习的要素》，第2版。斯普林格，纽约。赫尔德尔，沃尔夫冈，尤恩Jye Lee、Dorothea Sch"afer和YiRen Yeh（2009）《使用平滑支持向量机预测公司违约风险的变量选择和过采样》，《预测杂志》，第28卷（6），第512-534页。Hodrick，R.J.和Prescott，E.C.（1997），《战后美国商业周期：经验调查》，《货币、信贷和银行杂志》，第29卷，第1-16页。Iacoviello，M.和Neri，S.，2010年。住房市场溢出：来自非估计DSGE模型的证据。《美国经济杂志》：宏观经济学，2125-164。国际货币基金组织（2000年）。《世界经济展望：资产价格和商业周期》。Jud，G.D.和Winkler，D.T.（2002）《大都市房价动态》。《房地产研究杂志》，23（1/2），29-45。Khandai、Amir E.、Adlar J.Kim和Andrew W.Lo（2010），《通过机器学习算法的消费者信贷风险模型》，银行与金融杂志，第34卷（11），第2767-2787页。Korobilis，B.（2013）具有多个预测因子的动态回归的分层收缩先验。《国际预测杂志》，29，43–59。克鲁格曼·保罗（2013），《立即结束这场大萧条》，W&W Norton and Company，美国纽约州。Kwiatkowski D.、Phillips，P.C.B.、Schmidt，P.和Shin，Y.（1992），“用单位根的替代品检验平稳性的零假设”，《经济计量学杂志》，第54卷，第159-178页。Leamer，E.E.（2007）《住房是商业周期》。NBER第13428号工作文件，检索自http://www.nber.org/papers/w13428.Litterman，R.B.（1981）向量自回归预测的贝叶斯过程。工作文件，明尼阿波利斯联邦储备银行。Litterman，R.B.，（1986）贝叶斯向量自回归预测——五年的经验。

《商业与经济统计杂志》，4（1），25-38。McGibany，J.M.和Nourzad，F.（2004）较低的抵押贷款利率是否意味着较高的住房价格？《应用经济学》，36（4），305-313。Mikhed，V.和Zemcík，P.（2009）房价是否反映了基本面？聚合和面板数据证据。《住房经济学杂志》，18140-149。Moghtaderi A.、Flandrin P和Borgnat P（2013），《通过经验模式分解的趋势过滤》，计算统计和数据分析，第58卷，第114126页。Nguyen N，Cripps A.（2001），《预测住房价值：多重回归分析和人工神经网络的比较》。《房地产研究杂志》，第3卷（22），第313-336页。güt、Hulisi、M.Mete Doganay、NildagBasak Ceylan和Ramazan Aktas（2012），《银行财务实力评级预测：土耳其案例》。《经济建模》（EconomicModeling），第29卷（3），第632-640页。Padilla，M.A.（2005）《油价和其他经济指标对加拿大卡尔加里房价的影响》。麻省理工学院。建筑系。Papadimitriou，T.、Gogas，P.、Matthaiou，M.、Chrysantidou，E.（即将出版）。机器学习框架中的产量曲线和衰退预测。计算经济学。Papadimitriou T.、Gogas P.和Stathakis E.（即将出版），使用支持向量机预测能源市场，能源经济学。Quang D A，Grudnitski G.（1993）年龄对住房价值影响的神经网络分析。《房地产研究杂志》，第2卷（8），第253-264页。Rapach，D.E.和Strauss，J.K.（2007年）。预测第八区各州的实际房价增长。圣路易斯联邦储备银行。区域经济发展，3（2），33–42。Rilling G.，Flandrin，P.和Goncalves，P。