基于bagging-GWO-LightGBM模型的城市房地產(chǎn)風(fēng)險(xiǎn)測(cè)度與預(yù)警研究

劉佳麗,段永輝,郭一斌,王翔

(1.河南工業(yè)大學(xué) 土木工程學(xué)院,河南 鄭州 450015;2.鄭州航空工業(yè)管理學(xué)院 土木工程學(xué)院,河南 鄭州 450015)

房地產(chǎn)市場(chǎng)給地方政府和國(guó)家?guī)?lái)了巨大的經(jīng)濟(jì)效益,成為國(guó)家宏觀經(jīng)濟(jì)命脈之一.房地產(chǎn)市場(chǎng)具有信息不對(duì)稱、固定性和交易離散性的特點(diǎn),市場(chǎng)力量無(wú)法有效地平衡一般的產(chǎn)業(yè)結(jié)構(gòu)和供求關(guān)系[1].然而,房地產(chǎn)市場(chǎng)需要一個(gè)健康穩(wěn)定的環(huán)境.一旦出現(xiàn)問(wèn)題,就會(huì)造成地方經(jīng)濟(jì)甚至國(guó)家經(jīng)濟(jì)的不穩(wěn)定[2].同樣,對(duì)于消費(fèi)者來(lái)說(shuō),一個(gè)健康合理的房地產(chǎn)市場(chǎng)也可以在沒(méi)有投資者的情況下,提供安全可靠的投資場(chǎng)所,幫助改善民生.因此,一個(gè)合理可靠的房地產(chǎn)預(yù)警系統(tǒng)對(duì)消費(fèi)者、金融機(jī)構(gòu)、地方政府乃至國(guó)家都具有重要意義.

本文將以bagging-GWO-LightGBM模型為基礎(chǔ),深入分析該模型的原理以及該模型在房地產(chǎn)市場(chǎng)預(yù)警系統(tǒng)中的應(yīng)用.本文將從房地產(chǎn)市場(chǎng)的需求和供給的視角進(jìn)行分析,構(gòu)建相應(yīng)的指標(biāo)體系.最后,本文基于bagging-GWO-LightGBM模型,結(jié)合鄭州市2006- 2020年房地產(chǎn)市場(chǎng)實(shí)際數(shù)據(jù),構(gòu)建房地產(chǎn)市場(chǎng)預(yù)警系統(tǒng).

1 文獻(xiàn)綜述

房地產(chǎn)在經(jīng)濟(jì)增長(zhǎng)和金融穩(wěn)定中發(fā)揮著重要作用.世界歷史上的主要金融危機(jī)大多與房地產(chǎn)相關(guān),迫使學(xué)者們對(duì)房地產(chǎn)風(fēng)險(xiǎn)的相關(guān)研究給予了密切關(guān)注.由于房地產(chǎn)行業(yè)具有產(chǎn)業(yè)鏈長(zhǎng)、相關(guān)行業(yè)眾多、驅(qū)動(dòng)力強(qiáng)的特點(diǎn),導(dǎo)致房地產(chǎn)風(fēng)險(xiǎn)的因素很多.

從影響房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)的因素層面考慮:目前,系統(tǒng)研究房地產(chǎn)風(fēng)險(xiǎn)影響因素的國(guó)外文獻(xiàn)較少,大部分學(xué)者的研究主要集中于房地產(chǎn)泡沫生成機(jī)理、房地產(chǎn)價(jià)格影響因素.例如Kallberg[3]通過(guò)對(duì)美國(guó)過(guò)去20年的房地產(chǎn)價(jià)格演變進(jìn)行研究,首次指出金融機(jī)構(gòu)的不當(dāng)貸款是房地產(chǎn)相關(guān)風(fēng)險(xiǎn)的主要因素.后來(lái),Pavlov[4]通過(guò)研究房地產(chǎn)貸款損失引起的銀行間市場(chǎng)風(fēng)險(xiǎn)證明了這一觀點(diǎn).與此同時(shí),Quigley[5]利用宏觀狀態(tài)的基本相關(guān)指標(biāo),結(jié)合房地產(chǎn)價(jià)格變化影響因素,詮釋了短期內(nèi)宏觀經(jīng)濟(jì)對(duì)房地產(chǎn)市場(chǎng)的影響.隨后,Victor Contreras[6]等從微觀層面研究了住宅房地產(chǎn)價(jià)格風(fēng)險(xiǎn)的影響因素.

因此,本文從房地產(chǎn)市場(chǎng)的需求和供給視角分別進(jìn)行分析,以Boosting集成學(xué)習(xí)框架下的LightGBM模型作為Bagging集成學(xué)習(xí)策略的基學(xué)習(xí)器,并采用GWO算法對(duì)LightGBM模型的參數(shù)進(jìn)行尋優(yōu),從同時(shí)降低模型預(yù)測(cè)方差和預(yù)測(cè)偏差的角度建立Bagging-GWO-LightGBM集成學(xué)習(xí)組合預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)房地產(chǎn)風(fēng)險(xiǎn)的高精度預(yù)測(cè),為今后的相關(guān)研究提供一種新思路.

2 房地產(chǎn)風(fēng)險(xiǎn)的度量

2.1 房地產(chǎn)風(fēng)險(xiǎn)指標(biāo)體系的建立

本文首先分析鄭州市房地產(chǎn)需求市場(chǎng)和供給市場(chǎng),研究影響當(dāng)前房地產(chǎn)行業(yè)供需的主要因素有哪些,對(duì)房地產(chǎn)供求關(guān)系進(jìn)行分析并預(yù)測(cè),并且在借鑒前人研究的基礎(chǔ)上,將影響我國(guó)房地產(chǎn)風(fēng)險(xiǎn)的因素(供給因素,需求因素)進(jìn)行建模研究分析.

2.1.1 供給類(lèi)指標(biāo)

房地產(chǎn)供給是指房地產(chǎn)開(kāi)發(fā)商在某一特定的時(shí)間內(nèi),在每一價(jià)格水平下,對(duì)房地產(chǎn)所愿意而且能夠提供出售的數(shù)量.鄭州市房地產(chǎn)市場(chǎng)的供給受多方面因素的影響,微觀層面的因素主要是站在房地產(chǎn)開(kāi)發(fā)商的角度來(lái)考慮的,還有宏觀經(jīng)濟(jì)政策層面對(duì)房地產(chǎn)市場(chǎng)供給的影響.以下從作者認(rèn)為比較重要的幾個(gè)方面對(duì)房地產(chǎn)供給產(chǎn)生的影響進(jìn)行分析.根據(jù)數(shù)據(jù)的可得性,本文選取施工面積、竣工面積、新開(kāi)發(fā)面積以及房地產(chǎn)開(kāi)發(fā)投資額作為供給類(lèi)指標(biāo).

2.1.2 需求類(lèi)指標(biāo)

房地產(chǎn)需求一般指在一個(gè)特定時(shí)期內(nèi),消費(fèi)者或投資者在各種可能的價(jià)格下,愿意而且能夠購(gòu)買(mǎi)的房地產(chǎn)數(shù)量.這也稱作房地產(chǎn)的有效需求.因此,依據(jù)數(shù)據(jù)的可得性,本文選取新建住宅銷(xiāo)售價(jià)格指數(shù)、二手住宅銷(xiāo)售價(jià)格指數(shù)、居民消費(fèi)價(jià)格指數(shù)、房屋銷(xiāo)售額、房屋銷(xiāo)售面積作為需求類(lèi)指標(biāo).

2.2 房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)指數(shù)的合成

2.2.1 房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)指標(biāo)設(shè)計(jì)

對(duì)于房地產(chǎn)風(fēng)險(xiǎn)的衡量,國(guó)內(nèi)外根據(jù)自身的發(fā)展情況有不同的標(biāo)準(zhǔn).本文在界定這一標(biāo)準(zhǔn)時(shí),通過(guò)文獻(xiàn)回顧,從我國(guó)實(shí)際出發(fā)得出了八個(gè)指標(biāo)作為評(píng)價(jià)房地產(chǎn)風(fēng)險(xiǎn)的基準(zhǔn).

X1:住宅泡沫指數(shù).依據(jù)梅特卡夫定律,城市住宅金融單價(jià)正比于城市人口規(guī)模以及人均國(guó)內(nèi)生產(chǎn)總值.其值越高說(shuō)明泡沫度越高.X2:房?jī)r(jià)收入比.房?jī)r(jià)收入比從居民住房剛性需求角度真實(shí)反映了居民住房支付能力,邢丹鳳[6]通過(guò)對(duì)鄭州市房?jī)r(jià)進(jìn)行研究,認(rèn)為世界銀行的定義比較適合中國(guó).X3:房屋空置率.住房空置率反映住房供給與需求之間的關(guān)系,一般的商品市場(chǎng)理論告訴我們商品的供求不平衡會(huì)引起價(jià)格的波動(dòng),反過(guò)來(lái)這種波動(dòng)進(jìn)而又會(huì)影響供求關(guān)系[7].X4:房地產(chǎn)投資額增長(zhǎng)率/GDP增長(zhǎng)率.衡量房地產(chǎn)開(kāi)發(fā)投資增長(zhǎng)快慢的指標(biāo)是房地產(chǎn)投資額增長(zhǎng)率/GDP增長(zhǎng)率,一般應(yīng)該不超過(guò)2倍.高于此值,則說(shuō)明出現(xiàn)房地產(chǎn)泡沫的風(fēng)險(xiǎn)較高.X5:施工面積增長(zhǎng)率/銷(xiāo)售面積增長(zhǎng)率.施工面積是未來(lái)的房屋供給量,當(dāng)施工面積增長(zhǎng)也超過(guò)銷(xiāo)售面積增長(zhǎng)時(shí),即考慮投機(jī)需求,風(fēng)險(xiǎn)增加.X6:房屋銷(xiāo)售增長(zhǎng)率/社會(huì)消費(fèi)品零售總額增長(zhǎng)率.當(dāng)比值較高時(shí),表明房地產(chǎn)銷(xiāo)售市場(chǎng)存在著大量的投機(jī)需求.X7:住房景氣指數(shù).其反映了房地產(chǎn)業(yè)的繁榮程度,通常情況下,景氣指數(shù)100點(diǎn)是最合適的景氣水平.X8:房?jī)r(jià)增長(zhǎng)率.房地產(chǎn)價(jià)格持續(xù)急劇上揚(yáng)是房地產(chǎn)泡沫的重要表現(xiàn).商品房?jī)r(jià)格的同比增長(zhǎng)率可以通過(guò)反映房?jī)r(jià)的波動(dòng)來(lái)反映一定的房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)信息.

2.2.2 確定綜合預(yù)警指數(shù)

為了避免評(píng)價(jià)體系的復(fù)雜性,本文采用主成分分析通過(guò)篩選變量形成綜合評(píng)價(jià)指數(shù)的方式,確定房地產(chǎn)風(fēng)險(xiǎn)的綜合預(yù)警指數(shù).主成分分析就是將原來(lái)就有相關(guān)性的n個(gè)指標(biāo)進(jìn)行重組,生成的一組相關(guān)性的線性組合作為綜合指標(biāo).

應(yīng)用SPSS17.0統(tǒng)計(jì)軟件,基于標(biāo)準(zhǔn)化的指標(biāo)數(shù)據(jù)進(jìn)行主成分分析,并提取特征值,得出主成分分析結(jié)果如表1所示:

表1 解釋的總方差

根據(jù)成分得分系數(shù)矩陣,通過(guò)線性組合的方式將提取的前三個(gè)主成分進(jìn)行表示,各個(gè)因素前的系數(shù)為得分與因素特征值根號(hào)的比值,具體形式如下:

F1=0.279X1+0.064X2-0.413X3+0.267X4+0.363X5+0.493X6+0.223X7+0.502X8

F2=0.625X1-0.600X2+0.150X3+0.410X4-0.129X5-0.236X6+0.148X7-0.111X8

F3=0.011X1+0.342X2+0.106X3+0.066X4+0.426X5-0.305X6+0.705X7-0.308X8

根據(jù)三個(gè)主成分F1、F2和F3可得出2006-2020年鄭州市房地產(chǎn)市場(chǎng)的綜合預(yù)警指數(shù)F:

F=0.390F1+0.167F2+0.150F3

3 房地產(chǎn)風(fēng)險(xiǎn)預(yù)警

3.1 算法原理

3.1.1 LightGBM算法原理

LightGBM模型是2016年由微軟研發(fā)的一種開(kāi)源、高效的基于決策樹(shù)的梯度提升(Gradient Boosting)框架模型[8,9].與XGBoost[10]、scikit-learn(machine learning in Python)[11]等模型類(lèi)似,LightGBM模型同樣支持并行化學(xué)習(xí).不同的是,相對(duì)于XGBoost模型,LightGBM訓(xùn)練速度快、占用內(nèi)存較少[12].

(1)

令h(x)為弱學(xué)習(xí)器,利用h(x)擬合損失函數(shù)的負(fù)梯度,并求出最佳擬合值為:

gj=argmingL(yi,Fj-1(xi)+ghj(xi))

(2)

此時(shí)模型更新公式為:

Fj(x)=Fj-1(x)+gjhj(x)

(3)

通過(guò)上述方式,Gradient Boosting不斷迭代更新,每次訓(xùn)練一個(gè)弱學(xué)習(xí)器,當(dāng)?shù)瓿蓵r(shí),將弱學(xué)習(xí)器進(jìn)行線性相加得到強(qiáng)學(xué)習(xí)器.為了能夠在不損害準(zhǔn)確率的前提下加快Gradient Boosting 框架模型的訓(xùn)練速度,LightGBM模型采用的優(yōu)化方法眾多,其中最核心的方法為直方圖算法和帶深度限制的leaf-wise生長(zhǎng)策略.

3.1.2 GWO優(yōu)化算法

灰狼算法(Grey Wolf Optimizer,GWO)最早由 Mirjalili 等人提出,是一種受自然界灰狼生活習(xí)慣啟發(fā)的智能優(yōu)化算法[13].其算法由多個(gè)最優(yōu)解尋求最優(yōu)位置,相比于其他智能算法可以有效降低陷入局部極值的概率[14].該算法的本質(zhì)就是模擬大自然灰狼群體中嚴(yán)格的等級(jí)制度和狩獵行為.

Step 1:包圍獵物.當(dāng)灰狼一旦發(fā)現(xiàn)獵物,便會(huì)迅速向獵物靠近.灰狼與獵物的距離以及灰狼位置的更新可由式(1)、式(2)得到.

(4)

(5)

(6)

A=2ar1-a

(7)

C=2r2

(8)

式(6)中,tmax代表最大迭代次數(shù);a在迭代過(guò)程中線性從2下降至0;r1與r2均為[0,1]上的隨機(jī)變量.

Step2:追捕獵物.狼群進(jìn)行狩獵行為,通常是按照其適應(yīng)度大小進(jìn)行排序.可以依次獲取α狼的位置;即最優(yōu)解Xα;β狼的位置,即次優(yōu)解Xβ;δ狼的位置,即次次優(yōu)解Xδ.

α、β、δ、ω灰狼的實(shí)時(shí)位置更新公式(6)-式(8)得到.

(9)

X1=Xα-ADα

X2=Xβ-ADβ

(10)

X3=Xδ-ADδ

(11)

式(1)中,X1、X2、X3依次代表灰狼α、β、δ的實(shí)時(shí)更新位置,X(t+1)代表更新后的最優(yōu)解向量.灰狼算法最優(yōu)解的更新過(guò)程如圖3所示.

Step 3:攻擊獵物.當(dāng)獵物停止移動(dòng)時(shí),灰狼便開(kāi)始發(fā)起進(jìn)攻.進(jìn)攻行為的發(fā)起主要是通過(guò)式(3)中a的迭代次數(shù),從而間接控制式(4)中A的取值來(lái)完成的.當(dāng)|A|≤1時(shí),灰狼群對(duì)獵物進(jìn)行攻擊,對(duì)應(yīng)局部搜索;當(dāng)|A|>1時(shí),灰狼群將遠(yuǎn)離獵物散去,再次進(jìn)行全局搜索.

3.1.3 Bagging 集成學(xué)習(xí)

Bagging算法又稱裝袋算法,是機(jī)器學(xué)習(xí)領(lǐng)域的一種團(tuán)體學(xué)習(xí)算法.最初由Leo Breiman于1996年提出,核心思想是采用有放回的采樣規(guī)則[15].Bagging算法可與其他分類(lèi)、回歸算法結(jié)合,提高其準(zhǔn)確率、穩(wěn)定性的同時(shí),通過(guò)降低結(jié)果的方差,避免過(guò)擬合的發(fā)生.

Bagging算法是并行集成學(xué)習(xí)方法最著名的代表.為了使集成的個(gè)體學(xué)習(xí)器盡可能獨(dú)立,Bagging 算法通過(guò)自助采樣法(bootstrap sampling)隨機(jī)產(chǎn)生多個(gè)訓(xùn)練子集,然后基于每個(gè)訓(xùn)練子集訓(xùn)練出多個(gè)個(gè)體學(xué)習(xí)器,最后將這些個(gè)體學(xué)習(xí)器進(jìn)行結(jié)合,集成為整體[16].

3.2 基于bagging-GWO-SVR的預(yù)警模型

本文綜合兩種集成學(xué)習(xí)算法的優(yōu)勢(shì),提出以Boosting集成學(xué)習(xí)中的LightGBM模型作為Bagging集成學(xué)習(xí)的基學(xué)習(xí)器模型,從同時(shí)降低模型預(yù)測(cè)偏差和預(yù)測(cè)方差的角度建立串、并行相結(jié)合的集成學(xué)習(xí)組合預(yù)測(cè)模型.具體實(shí)現(xiàn)步驟如圖1所示.

圖1 bagging-GWO-LightGBM 算法流程圖

4 實(shí)證分析

4.1 鄭州市房地產(chǎn)風(fēng)險(xiǎn)預(yù)警研究

鄭州作為“中原經(jīng)濟(jì)區(qū)”和“中原城市群”規(guī)劃中的核心城市,是國(guó)家中長(zhǎng)期發(fā)展規(guī)劃中關(guān)于“中部崛起”和未來(lái)中國(guó)發(fā)展的重點(diǎn)區(qū)域之一.

本文對(duì)鄭州市房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)測(cè)度與預(yù)警進(jìn)行了實(shí)證研究.從供給和需求兩方面選取了9個(gè)房地產(chǎn)風(fēng)險(xiǎn)影響因素作為標(biāo)簽值,然后通過(guò)主成分分析將8個(gè)房地產(chǎn)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)合成房地產(chǎn)風(fēng)險(xiǎn)指數(shù)作為特征值.樣本期為2006年1月1日至2020年12月1日,共計(jì)180條數(shù)據(jù).數(shù)據(jù)來(lái)源為中國(guó)統(tǒng)計(jì)年鑒、鄭州市統(tǒng)計(jì)局、choice financial數(shù)據(jù)庫(kù)以及鄭州市年度房地產(chǎn)市場(chǎng)分析公報(bào)等.

4.1.1 預(yù)警區(qū)間的劃分及房地產(chǎn)風(fēng)險(xiǎn)指數(shù)的驗(yàn)證

本文在前人的研究基礎(chǔ)上選擇1倍的標(biāo)準(zhǔn)差作為異常區(qū)間的依據(jù),將u-σ、σ、u+σ作為警界區(qū)間的分界點(diǎn).根據(jù)2006-2020年的綜合預(yù)警指數(shù),進(jìn)行預(yù)警指數(shù)的均值和標(biāo)準(zhǔn)差的計(jì)算,所示均值為0,標(biāo)準(zhǔn)差為0.73927.

根據(jù)誤差理論,對(duì)鄭州市房地產(chǎn)市場(chǎng)預(yù)警系統(tǒng)的三大警界區(qū)間進(jìn)行劃分:偏冷區(qū)間為(-∞,-0.73927),正常區(qū)間為(-0.73927,0.73927),偏熱區(qū)間為(0.73927,+∞).

由于房?jī)r(jià)收入比從居民住房剛性需求角度真實(shí)反映了居民住房支付能力,比值越高,說(shuō)明房?jī)r(jià)越高于居民收入水平,居民住房支付能力則越弱,房地產(chǎn)市場(chǎng)存在泡沫風(fēng)險(xiǎn).施工面積是未來(lái)的房屋供給量,施工面積增長(zhǎng)要求未來(lái)必須有與之匹配的需求增長(zhǎng).當(dāng)施工面積增長(zhǎng)也超過(guò)銷(xiāo)售面積增長(zhǎng)時(shí),即考慮投機(jī)需求,風(fēng)險(xiǎn)增加.而全國(guó)住房氣候指數(shù)反映了全國(guó)房地產(chǎn)業(yè)的繁榮程度,因此三個(gè)指標(biāo)都與房地產(chǎn)業(yè)的風(fēng)險(xiǎn)相關(guān).將房地產(chǎn)風(fēng)險(xiǎn)指數(shù)與上述三個(gè)指標(biāo)進(jìn)行比較,如圖2所示.

圖2 房地產(chǎn)風(fēng)險(xiǎn)相關(guān)圖

從圖2中可以看出,房地產(chǎn)風(fēng)險(xiǎn)指數(shù)可以從房?jī)r(jià)收入比、房地產(chǎn)泡沫和全國(guó)房地產(chǎn)市場(chǎng)的繁榮程度三個(gè)方面來(lái)評(píng)估房地產(chǎn)信息,較好地反映了鄭州市的房地產(chǎn)風(fēng)險(xiǎn)狀況.

4.2 模型參數(shù)設(shè)置以及實(shí)驗(yàn)結(jié)果討論

4.2.1 各個(gè)模型參數(shù)設(shè)置

本文選取9個(gè)房地產(chǎn)風(fēng)險(xiǎn)的影響因素作為標(biāo)簽值,風(fēng)險(xiǎn)指數(shù)作為特征值.以2006年1月1日至2020年12月1日的月度數(shù)據(jù),共計(jì)180個(gè)樣本進(jìn)行仿真實(shí)驗(yàn),通過(guò)10年預(yù)測(cè)未來(lái)一年,劃分為5組數(shù)據(jù)集,得到60個(gè)測(cè)試集結(jié)果.為衡量bagging-GWO-LightGBM模型的預(yù)測(cè)效果,采用多種算法對(duì)模型預(yù)測(cè)效果進(jìn)行對(duì)比分析.

針對(duì)單模型預(yù)測(cè),本文選取ARIMA、SVR、RF和DT模型對(duì)比分析LightGBM的預(yù)測(cè)效果;GWO算法性能方面,選用WOA優(yōu)化LightGBM模型(WOA-LightGBM)對(duì)比分析GWO-LightGBM模型.各模型具體參數(shù)設(shè)置如表2所示.

表2 模型參數(shù)設(shè)置

4.2.2 各模型預(yù)測(cè)效果分析

圖3和表3分別展示了各模型對(duì)于房地產(chǎn)風(fēng)險(xiǎn)指數(shù)在測(cè)試集樣本中的擬合曲線以及在三種評(píng)價(jià)指標(biāo)的預(yù)測(cè)效果.通過(guò)分析可得到如下結(jié)論:

圖3 模型預(yù)測(cè)效果圖

表3 各模型預(yù)測(cè)精度

由表3中可得,加入bagging算法后的組合算法模型的預(yù)測(cè)效果優(yōu)于單模型以及單算法模型的預(yù)測(cè),其中bagging-GWO-LightGBM模型中的RSquared預(yù)測(cè)精度在所有模型中最高.

4.2.3 特征重要性分析

為找出在房地產(chǎn)風(fēng)險(xiǎn)預(yù)測(cè)時(shí)影響最大的因素,本文分別采用WOA-SVR-SHAP、WOA-XGBoost和WOA-GBDT模型進(jìn)行特征重要性分析.其中WOA-SVR-SHAP模型進(jìn)行特征重要性分析時(shí),表現(xiàn)出較好的泛化能力.各模型特征重要性排序結(jié)果如表4,通過(guò)初步觀察,發(fā)現(xiàn)三種模型中的特征排序結(jié)果并不完全相同.因此,本文選擇三種模型中的第一名作為房地產(chǎn)風(fēng)險(xiǎn)預(yù)測(cè)的關(guān)鍵影響因素,其分別是房屋銷(xiāo)售面積、新開(kāi)工面積和房屋銷(xiāo)售額.

表4 房地產(chǎn)風(fēng)險(xiǎn)影響因素特征重要性排序

5 結(jié) 論

房地產(chǎn)風(fēng)險(xiǎn)是我國(guó)金融風(fēng)險(xiǎn)的主要來(lái)源之一.本文根據(jù)鄭州市房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)的主要表現(xiàn)特征,選取供給類(lèi)指標(biāo)、需求類(lèi)指標(biāo)共計(jì)9項(xiàng)指標(biāo)來(lái)構(gòu)建指標(biāo)體系.通過(guò)主成分分析將8個(gè)評(píng)價(jià)房地產(chǎn)風(fēng)險(xiǎn)的指標(biāo)綜合成房地產(chǎn)風(fēng)險(xiǎn)指數(shù),建立了bagging-GWO-LightGBM房地產(chǎn)風(fēng)險(xiǎn)預(yù)警模型,得到以下結(jié)論:以Boosting集成學(xué)習(xí)框架下的LightGBM模型作為Bagging集成學(xué)習(xí)策略的基學(xué)習(xí)器,并采用GWO算法對(duì)LightGBM模型的參數(shù)進(jìn)行尋優(yōu),從同時(shí)降低模型預(yù)測(cè)方差和預(yù)測(cè)偏差的角度建立Bagging-GWO-LightGBM集成學(xué)習(xí)組合預(yù)測(cè)模型.實(shí)現(xiàn)對(duì)房地產(chǎn)風(fēng)險(xiǎn)的高精度預(yù)測(cè),為今后的相關(guān)研究提供一種新思路.