Forecasting US home prices with artificial neural networks and fuzzy methods combination and single forecasts

Abstract

ABSTRACT: Recent studies have shown that there is a link between the housing market and economic activity. Also, they suggest that house-price fluctuations lead to real activity, inflation, or both. Therefore the existence of good model to forecast is very crucial for policy makers. The main objective of this thesis is to forecast the housing price indices for US and four Census regions of the US, namely, Northeast, South, Midwest and West by using relevant time series techniques. The purpose is to forecast out-of-sample period, from 2001:1 to 2010:5 according to the monthly data covering the in-sample period from 1968:1 to 2000:12 by using four advanced valuation method artificial neural networks and fuzzy methods multi layer perception (MLP), nonlinear autoregressive neural network (NAR), adaptive Neuro-fuzzy inference systems (ANFIS) and genetic algorithm (GA) as well as the forecast combination method. Also, the 24-step-ahead price indices will be predicted covering 2010:6-2012:6 period. The result of this study showed that both MLP and NAR separately had better answer in all parts of the data (US and four census regions) and they could have better forecast accuracy. Similarly, the results of ANFIS have a better forecast power especially in the initial steps than MLP and NAR. The results of this research also posits that both the neural network (MLP and NAR) and ANFIS have a suitable ability to model and forecast especially when there is a non- linear relationship between the data .On the other hand the results of the GA (as a linear model) in all parts of the data were not desirable. The results also showed that the nonlinear models like neural networks are better at longer horizons while the GA (as a linear model) is better at short horizons.

Keywords: Forecasting, Neural Networks, US and Census Housing Price Indexes, Adaptive Neuro Fuzzy Inference Systems (ANFIS), Genetic Algorithm. ………………………………………………………………………………………………………………………………………………………………………………………………………… ÖZ: Günümüzdeki son çalışmalar, emlak piyasasıyla ekonomik aktiviteler arasında bir ilişki olduğunu göstermektedir. Ayrıca bu çalışmalar, konut fiyatlarındaki dalgalanmaların piyasalarda gerçek aktiviteler, enflasyon veya her ikisine de öncülük ettiğini göstermektedir. Bu nedenle, öngörülerde bulunabilmek için iyi modelin belirlenmesi. politika yapıcıları için çok önemlidir. Bu tezin ana amacı, zaman serileri teknikleri uygulayarak Amerika Birleşik Devletleri ile ona bağlı kuzey doğu, güney, orta batı ve batı bölgelerindeki konut fiyatlarını öngerebilen en yi modelleri belirlemektir. Bu çalışmadaki diğer amaç, dört gelişmiş sinir ağı ve bulanık öngörü yönetimlerini çok katmanlı algılama (MLP) doğrusal olmayan otoregresif sinir ağı (NAR) uyarlanan bulanık sinir ağı çıkarım sistemi (ANFIS) ve genetik algoritma (GA) kullanarak 1968:1 ile 2000:12 tarihli iç örneklem tahminlerini ve 2001:1 ile 2010:5 tarihli dış örneklem öngörülerini yapabilmektir. Ayrıca, 2010:6 ile 2012:6 periyotlarını içeren 24-adım fiyat endeksi de öngürül müştür. Bu çalışma; hem MPL hem de NAR öntemlerinin Amerika ve ona bağlı bölgelerde daha iyi sonuçlar verdiğini göstermiş ve aynı zamanda öngörü doğruluk oranlarının daha iyi olduğu görülmüştür. Benzer olarak, ANFİS yönteminin sonuçlarına göre, bu yöntem özellikle ilk adımlarda MLP ve NAR‟a nazaran daha iyi tahmin gücüne sahiptir. Yine bu çalışmanın sonuçları; özellikle veriler arasında doğrusal olmayan bir ilişki olduğunda MPL, NAR ve ANFİS yöntemlerinin modelleme ve öngörü için uygun olduğunu göstermiştir. Aynı zamanda, GA‟nın (doğrusal model olarak) sonuçları, çalışmadaki bütün veriler için yeteri ölçüde iyi değildir. Yine bu çalışma, NAR ve MPL gibi doğrusal olmayan modellerin uzun zaman aralığında ve GA gibi doğrusal modellerin kısa zaman aralıklarında daha iyi olduğunu göstermiştir. Anahtar Kelimeler: Öngörü, Sinir Ağı, Amerika Birleşik Devletleri Konut Fiyat Endeksi, Uyarlanan Bulanık Sinir Ağı Çıkarım Sistemi (Anfis), Genetik Algoritma.