Analysis of the Housing Market Dynamics Using NARX Neural Network

Autor/innen

  • Daria Wotzka Faculty of Electrical Engineering, Opole University of Technology
  • Grażyna Suchacka Institute of Informatics, University of Opole
  • Paweł Frącz Faculty of Economics, University of Opole, e-mail
  • Łukasz Mach Faculty of Economics, University of Opole
  • Marzena Stec Narodowy Bank Polski, Regional Branch in Opole
  • Joachim Foltys Humanitas University in Sosnowiec

DOI:

https://doi.org/10.26034/lu.akwi.2024.5947

Schlagworte:

NARX model, Nonlinear Autoregressive Exogenous Model, real estate forecast, machine learning, time series prediction

Abstract

In dieser Studie wird ein nichtlineares autoregressives Netzwerk mit eXogenen Inputs (NARX) verwendet, um die Dynamik des Wohnungsbaumarktes in Polen zu modellieren, wobei zwischen Segmenten von Bauträgern und Einzelinvestoren unterschieden wird. Der analysierte Datensatz enthält die Daten von 19 Jahren, die der Anzahl der zum Bau genehmigten, im Bau befindlichen und fertiggestellten Wohneinheiten entsprechen. Das NARX-Modell wurde gründlich kalibriert, um den einzigartigen Merkmalen der Daten zu entsprechen, wobei der Schwerpunkt auf der Größe der verborgenen Schicht und den Verzögerungsparametern lag, um die nichtlinearen Trends des Immobilienmarktes zu erfassen. Die Ergebnisse zeigen eine sehr hohe Effizienz der NARX-Modelle und heben unterschiedliche Muster und Dynamiken bei der Fertigstellung von Wohnungen, den Baubeginnen und der Erteilung von Genehmigungen in den beiden Marktsegmenten hervor. Diese Unterschiede sind von entscheidender Bedeutung für das Verständnis der unterschiedlichen Kräfte und Trends, die die Märkte der Bauträger und der einzelnen Investoren im polnischen Wohnungssektor prägen. Die Ergebnisse der Analyse geben einen wertvollen Einblick in die unterschiedliche Funktionsweise dieser Marktsegmente.

Literaturhinweise

W. Breuer and B.I. Steininger. Recent trends in real estate research: a comparison of recent working papers and publications using machine learning algorithms. J. of Business Economics, 90(7): 963–974, 2020. https://doi.org/10.1007/s11573-020-01005-w.

G. de Bondt, A. Gieseck, and M. Tujula. Household Wealth and consumption in the euro area. ECB Economic Bulletin, 1, 2020.

P. Frącz, I. Dąbrowski, D. Wotzka, D. Zmarzły, and Ł. Mach. Identification of differences in the seasonality of the developer and individual housing market as a basis for its sustainable development. Buildings, 13(2), 2023. https://doi.org/10.3390/buildings13020316.

L. Gabrielli, A.G. Ruggeri, and M. Scarpa. Using Artificial Neural Networks to uncover real estate market transparency: The market value. In ICCSA’2021, pages 183–192, 2021. Springer International Publishing. https://doi.org/10.1007/978-3-030-86979-3_14.

J.E. Gomez-Gonzalez, J. Hirs-Garzón, S. Sanin-Restrepo, and J.M. Uribe. Financial and macroeconomic uncertainties and real estate markets. Eastern Economic Journal, 50(1): 29–53, 2024. https://doi.org/10.1057/s41302-023-00263-0.

A. Grybauskas, V. Pilinkienė, and A. Stundžienė. Predictive analytics using Big Data for the real estate market during the COVID-19 pandemic. Journal of Big Data, 8(1): 105, 2021. https://doi.org/10.1186/s40537-021-00476-0.

GUS. Główny Urząd Statystyczny – Publications, 2023. https://stat.gov.pl/publikacje/publikacje-a-z.

L. Hong. The dynamic relationship between real estate investment and economic growth: Evidence from Prefecture City Panel Data in China. IERI Procedia, 7: 2–7, 2014. https://doi.org/10.1016/j.ieri.2014.08.002.

I.I. Kakulu. Qualitative research strategies and data analysis methods in real estate research – an innovative approach using the BB Model. In Estate Management Department Workshop, 2014.

J.H. Lang, M. Behn, B. Jarmulska, and M. Lo Duca. Real estate markets, financial stability and macroprudential policy. Macroprudential Bulletin, European Central Bank, 2022.

MathWorks Documentation – Design Time Series NARX Feedback Neural Networks, https://www.mathworks.com/help/deeplearning/ref/narnet.html (access date: 08.01.2024).

S.W. Shao, X. Huang, L.X. Xiao, and H. Liu. Exploring the impact of real estate policy on real estate trading using the time series analysis. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42: 1281–1287, 2020. https://doi.org/10.5194/isprs-archives-xlii-3-w10-1281-2020.

Statista. Real estate market in Poland – statistics & facts, https://www.statista.com/topics/7893/real-estate-market-in-poland/#topicOverview (access date: 25.03.2024).

D. Wotzka, G. Suchacka, Ł. Mach, P. Frącz, J. Foltys, and I. Maniu. Time series prediction for the housing construction market with the use of NARNET. In Proc. ECMS’2023, pages 284–290, 2023. ECMS. https://doi.org/10.7148/2023-0284.

W. Xiong. The impact of the real estate market on labor productivity. In Journal of Education, Humanities and Social Sciences, 14: 50–53, 2023. https://doi.org/10.54097/ehss.v14i.8795.

Titelbild AKWI

Downloads

Veröffentlicht

2024-08-10

Ausgabe

Nr. 19 (2024)

Rubrik

Grundlagen

Lizenz

Copyright (c) 2024 Daria Wotzka, Grażyna Suchacka, Paweł Frącz, Łukasz Mach, Marzena Stec, Joachim Foltys

Creative-Commons-Lizenz
Dieses Werk steht unter der Lizenz Creative Commons Namensnennung 4.0 International.