基于K-MEANS和ARIMA模型预测住宅小区抵押风险的批量评级方法技术

本发明专利技术公开基于K‑MEANS和ARIMA模型预测住宅小区抵押风险的批量评级方法，包括如下步骤：住宅小区抵押风险评级内涵界定、住宅小区抵押风险评级风险因子识别、数据收集、不同因子模型搭建、总模型搭建、模型调整和模型发布。从而实现能定量、批量求取的住宅小区抵押风险评级。本发明专利技术是一种多专业结合的定量分析方法，将房地产宏观、微观两个维度较好融合在一起，并通过GIS工具辅助判断，利用空间矩阵，通过数学原理制定出风险评级规则，使全国各城市小区风险评判标准统一化、标准化。对全国不同城市每个小区批量化评级，评级范围覆盖面大，速度快，用以帮助金融机构等监控高风险小区，防范高风险客群。

Batch Rating Method for Predicting Mortgage Risk of Residential Quarters Based on K-MEANS and ARIMA Model

The invention discloses a batch rating method for forecasting mortgage risk of residential district based on K_MEANS and ARIMA model, which includes the following steps: definition of mortgage risk rating connotation of residential district, identification of risk factors of mortgage risk rating of residential district, data collection, construction of different factor models, construction of general model, model adjustment and model release. Thus, the mortgage risk rating of residential quarters can be obtained quantitatively and in batches. The present invention is a multi-professional quantitative analysis method, which integrates the macro and micro dimensions of real estate, AIDS judgment by GIS tools, uses spatial matrix, and establishes risk rating rules through mathematical principles, so as to unify and standardize risk evaluation standards of all urban districts in China. For each district of different cities in the whole country, the batch rating has a wide coverage and high speed, which can help financial institutions to monitor high-risk residential areas and prevent high-risk customers.

【技术实现步骤摘要】
基于K-MEANS和ARIMA模型预测住宅小区抵押风险的批量评级方法
本专利技术涉及房地产金融和信息分析相结合领域，尤其是一种将数据挖掘、房地产估价技术、应用数学、GIS相结合，主要基于K-MEANS聚类分析和ARIMA模型来预测住宅小区抵押风险的批量评级方法。
技术介绍
目前学术界研究比较多的传统房地产风险分析多基于定性分析，即便有少数风险判断是定量分析，也多集中于金融系统性风险判断、房地产市场整体风险分析，如：利用多种数学模型对中国房地产市场进行风险评价、对于房地产投资项目风险评价、系统性金融风险评价等；对于风险的定量评级多用于宏观层面或是国家层面的风险判断，极少有对微观层级进行风险判断研究。因此会分别造成以下缺点和不足：1、传统风险分析，对风险内涵范围界定较模糊，对风险判定也无统一的规则。由于对风险内涵的理解不同、对风险判定的标准不同，导致分析结果会带有较强烈的个人色彩，不同分析人员对同一标的物所判定的风险结果也会显现出差异化。2、传统定量风险评级，多集中于系统性金融风险判断、房地产市场整体风险分析，少有微观层面的住宅抵押风险评级。目前为银行提供抵押风险分析的主要方法是定性分析，如：提供给银行的抵押报告会通过以下几个方面对抵押风险进行定性分析：(1)抵押房地产的市场流动性及快速变现能力；(2)抵押房地产公允市场价值的波动趋势；(3)预测市场的整体价格形势和变化趋势，综合判断估价对象的风险状况。但缺乏将抵押风险量化的方法。3、传统的风险分析人为判断占比较大。从事微观层面定性分析的分析人员因个人经验限制，对风险因子的识别不高，所接触的数据面比较狭隘，没有全局观，也没有全局数据对比分析，风险分析结果往往比较片面，且无法批量对整个城市中每个小区进行风险分析。而从事宏观层面定性分析的分析人员，又比较专注于全局的风险分析，如国家层面，或是城市层面的，缺乏微观方面的风险判断，这就造成了传统的风险分析维度上的割裂性，无法有效地将宏观层面的风险分析与微观层面相结合，使得传统风险分析整体性较差。因此传统风险评判缺乏比较有针对性的风险定义及判断标准，且整体性较差，且较多依赖于主观经验，较少依赖算法及辅助工具。
技术实现思路
为了解决上述技术问题，本专利技术提供一种主要基于K-MEANS聚类分析和ARIMA预测相结合的住宅小区抵押风险的批量评级方法，能较好地解决以下问题：1、本专利技术对风险内涵范围界定清晰，可解决风险定义不统一造成的判断标准不一致的问题，有助于分析人员对特定风险有统一的度量标准。2、本专利技术是基于房地产估价、数据挖掘、数学模型、GIS相结合的定量分析方法，有较全面扎实的理论基础，能很好地解决基于定性分析容易出现的风险误判、或因经验问题造成的误判等技术问题。3、本专利技术能帮助金融机构，特别是为商业银行批量解决以小区为单位的住宅类抵押贷款风险定量评级问题，提高商业银行对住宅类房产的风险鉴别能力。本专利技术解决其技术问题所采取的技术方案是：基于K-MEANS和ARIMA模型预测住宅小区抵押风险的批量评级方法，包括如下步骤：步骤1：界定住宅小区抵押风险评级内涵。步骤2：识别住宅小区抵押风险评级风险因子本专利技术基于房地产估价理论，采用德尔菲法及统计学中相关算法进行房地产风险因子的判断，确定影响房地产风险的主要因子后，进而识别出住宅小区抵押风险评级的主要风险因子。步骤3：数据收集根据步骤2得到的住宅小区抵押风险因子，通过分析每个风险因子的内涵，收集各级指标数据。数据收集采用网络爬虫和人工结合的方法。步骤4：根据不同风险因子搭建不同的算法模型通过步骤3的数据收集，得到不同级别指标的相关数据，同时根据不同种类的指标搭建相应的子算法模型。如：小区实物因素部分指标算法：聚类分析（K-Means、SpectralClustering）；市场波动预测部分指标算法：ARIMA、GM(1,1)等；区位因素部分指标算法：内梅罗指数法等。步骤5：完成模型搭建完成模型搭建：第一，通过步骤4的各类子模型的计算，得到二级指标中每个风险因子的分值；第二，通过回归分析算法确定初始指标权重、结合德尔菲专家打分法，确定每级的风险指标权重最终分值；第三，根据确定的指标分值及加权权重，计算每个小区的总分值；第四，分析各级指标的统计分布规律，并结合聚类算法，评定每个小区的风险等级。步骤6：批量求取全国住宅小区风险评级结果根据步骤5完成的模型，对全国住宅小区批量评级。步骤7：调整模型对于步骤6得到风险评级的结果，通过房地产不同领域的专家给出模型评估结果，对比分析，调整优化模型参数，使得结果与真实更加接近。步骤8：全国住宅小区抵押风险评级模型发布发布风险评级的度量模型，同时进行产品展示。本专利技术的有益效果是，本专利技术是一种多专业结合的定量分析方法，与传统定性的方法相比，运算分析速度与评级结果精准度都有极大的提升。本专利技术有较扎实的理论基础，能将房地产宏观、微观两个维度较好融合在一起，并通过GIS工具辅助判断，利用空间矩阵，通过数学原理制定出风险评级规则，使全国各城市小区风险评判标准统一化、标准化。本专利技术能对全国不同城市每个小区批量化评级，评级范围覆盖面大，速度快，用以帮助金融机构等监控高风险小区，防范高风险客群。附图说明下面结合附图对本专利技术进行进一步说明。图1为本专利技术评估住宅小区抵押风险评级流程图。具体实施方式如图1所示，本专利技术评估房地产风险的步骤包括：住宅小区抵押风险评级内涵界定、住宅小区抵押风险评级风险因子识别、数据收集、不同因子模型搭建、总模型搭建、模型调整和模型发布，从而实现能定量、批量求取的住宅小区抵押风险评级。下面结合图1具体说明每个步骤的实现方法。住宅小区抵押风险评级内涵界定根据《房地产估价理论与方法》、《房地产抵押估价指导意见》、《商业银行押品管理指引》等文件，对风险评级的内涵边界作了界定，将住宅小区抵押风险评级定义为：小区住宅物业抵押期间的价格波动风险与变现风险评估。识别住宅小区抵押风险评级风险因子本专利技术基于房地产估价理论，采用德尔菲法进行房地产风险因子的判断，收集大量房地产与金融领域方面的专家对住宅小区抵押风险评级风险因子的意见，综合各专家对每个风险因子的意见，并通过统计学中的主成分分析、神经网络算法，得到不同风险因子的权重，按照权重的大小确定影响风险的主要因子。具体住宅小区抵押风险评级影响因子如下：数据收集根据步骤2得到的住宅小区抵押风险因子，通过分析每个风险因子的内涵，收集各级指标数据。数据收集采用网络爬虫和人工结合的方法。根据不同风险因子搭建不同的算法模型通过步骤3的数据收集，得到不同级别指标的相关数据，同时根据不同种类的指标搭建相应的子算法模型—如K-MEANS、SpectralClustering等聚类方法，ARIMA、GM(1,1)等时间序列模型。主要风险因子：小区实物因素算法采用了聚类分析；综合考虑单个城市小区周边影响小区实物因素的风险因子，采用无监督方法，比如聚类分析算法，把所有样本点小区聚成三类，使得类之内的样本点相似性尽可能大，而类与类之间的相似性尽可能小，然后根据类与类之间的差异性，将不同小区根据不同属性进行分类。然后随机模拟抽样，人工核定抽样小区的实际标签，统计召回率、精确度等指标。本次聚类分析主要采用K-Means、谱聚类算法模本文档来自技高网...

【技术保护点】
1.基于K‑MEANS和ARIMA模型预测住宅小区抵押风险的批量评级方法，其特征在于，包括如下步骤：S1：界定住宅小区抵押风险评级内涵；S2：识别住宅小区抵押风险评级风险因子，基于房地产估价理论，采用德尔菲法及统计学中相关算法进行房地产风险因子的判断，确定影响房地产风险的主要因子后，进而识别出住宅小区抵押风险评级的主要风险因子；S3：数据收集，根据步骤S2得到的住宅小区抵押风险因子，通过分析每个风险因子的内涵，收集各级指标数据；S4：根据不同风险因子搭建不同的算法模型，通过步骤S3的数据收集，得到不同级别指标的相关数据，同时根据不同种类的指标搭建相应的子算法模型；S5：完成模型搭建；S6：批量求取全国住宅小区风险评级结果，根据步骤S5完成的模型，对全国住宅小区批量评级；S7：调整模型，对于步骤S6得到风险评级的结果，通过房地产不同领域的专家给出模型评估结果，对比分析，调整优化模型参数，使得结果与真实更加接近；S8：全国住宅小区抵押风险评级模型发布，发布风险评级的度量模型，同时进行产品展示。

【技术特征摘要】
1.基于K-MEANS和ARIMA模型预测住宅小区抵押风险的批量评级方法，其特征在于，包括如下步骤：S1：界定住宅小区抵押风险评级内涵；S2：识别住宅小区抵押风险评级风险因子，基于房地产估价理论，采用德尔菲法及统计学中相关算法进行房地产风险因子的判断，确定影响房地产风险的主要因子后，进而识别出住宅小区抵押风险评级的主要风险因子；S3：数据收集，根据步骤S2得到的住宅小区抵押风险因子，通过分析每个风险因子的内涵，收集各级指标数据；S4：根据不同风险因子搭建不同的算法模型，通过步骤S3的数据收集，得到不同级别指标的相关数据，同时根据不同种类的指标搭建相应的子算法模型；S5：完成模型搭建；S6：批量求取全国住宅小区风险评级结果，根据步骤S5完成的模型，对全国住宅小区批量评级；S7：调整模型，对于步骤S6得到风险评级的结果，通过房地产不同领域的专家给出模型评估结果，对比分析，调整优化模型参数，使得结果与真实更加接近；S8：全国住宅小区抵押风险评级模型发布，发布风险评级的度量模型，同时进行产品展示。2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：许军，何芳，陶缨，田蓉泉，耿后远，钱振华，
申请(专利权)人：上海中估联信息技术有限公司，
类型：发明
国别省市：上海,31