浅谈贝叶斯网络决策在房地产投资风险控制中的应用

赵振博

本文基于贝叶斯网络学习模拟，得出在不同程度風险控制决策下，房地产的先验和后验概率，同时得出与之对应的密度函数，进而比较分析条件概率。得出在贝叶斯网络推理下，所取得的风险控制决策信号具有确切的显性特征。因此，在一定程度上，贝叶斯网络推理对原有的网络学习的风险控制对先验概率的影响程度进行了削弱，需要对风险控制和管理之间的投资策略进行均衡。

贝叶斯网络决策

房地产 投资风险控制

引言

近些年来，我国房地产行业发展非常迅速，投资体量不断加大。在此背景下，房地产业面临的风险因素不断增多，因此需要科学合理的测度评估房地产投资面临的风险，建立完善的风险管控体系，必须要明确房地产业发展及其风险控制决策的关系。以往对这一问题所进行的研究主要以定性分析为主，所采用的定量分析也只是集中在对房地产行业的风险控制效应所进行的测算方面，而且只是在个别区域有所涉及，采用的分析方法也以面板数据等为主。很少有学者针对房地产企业的风决策的相互作用以及关联影响等进行分析。本文对此进行研究，以对市场与风险控制决策管理的关系进行树立，为相关主体的决策提供依据。在此背景下，对房地产行业的风险控制与决策收益进行研究，采用贝叶斯网络学习与推理方法分层进行实证分析，试图形成有助于行业发展的风控决策体系。

修正贝叶斯网络决策房地产投资风

险控制模型

（l）构建房地产投资风险控制的多元素函数的机理

通过上文论述可知，根据不同风险控制下所估算的经济效益结果，对其进行比较分析。由于房地产行业的发展伴随很多政策因素，同时比较容易受到经济运行环境以及销售成本与价格等因素的影响。因此，需要构建一个包含多种影响因素的决策函数，将其即为：

U=u（flf2f3…fn）（l）

其中，f代表的是构成房地产投资风险的所有决策组合，各组合分别对应一个效应函数。而房地产投资风险控制决策由多种决策组合所构成，是综合评估结果的体现。为对综合效应函数进行检验，按照向量组的形式排列不同效应的决策组合，也就是：

U=klfl+k2f2+…+knfn

（2）

从上述公式可以看出，各决策组合分别对应各自的风险投资要素，对应的控制决策，可以根据不同决策的经济效应，按照向量的形式进行排列组合，然后再进行专职，即可得到基本向量所对应的n阶矩阵。在该矩阵中，各个向量组分别对应其中一个控制风险的决策，进而形成一个平局经济效益的值。然后，根据投资风险的差异，科学的评级经济效益。在评估过程中，主要就是求最小方差，通过各行列元素的交叉相乘，来确定各种风险决策的权重。比如以aij对第i行第i列的投资风险控制方案进行反映，因此第ii行，所表示的意思即是第i种投资风险控制方案的所有i个元素的组合，可以将对应的方差和权重表示为：

从上式中可以看出，稽核了各种投资风险控制决策的元素，其所对应的决策与i行i列所对应的风控方案的第i个要素的方差，根据各种影响因素，进行组合决策，对其进行一一测度，可以得到数学求和公式。此外，矩阵中的每个元素所表示的控制方案，与第i个要素符合综合评估是l的假设，所对应的值也就是权重，所以必然是小数，进而符合各值相加等于l的数学条件。

（2）贝叶斯网络决策推理的概率分布

本文对网络决策推理的先验以及后验概率进行研究，主要依据贝叶斯理论的基本原理，由先验与后验概率结合出贝叶斯概率，然后测度贝叶斯网络决策的基本概率，得JH先验概率是：

P（Wi），i=l，2，…

（4）

类条件概率是：

P（xIWi），i=l，2，…j

（5）

有上述（4）和（5）可以推出，基于先验和后验概率得出，贝叶斯基础推理模型，分別是：

P（wiIX），i=，i=l，2，…j （6）

该概率的分布主要取决于（4）所对应的原始决策，由其所对应的模糊状态的先验概率，然后根据模糊信息所对应的投资风险控制决策，对经济效应进行修正以后，得出后验概率的模糊信息。然后由此修正与之对应的矩阵，进而形成拓展以后的贝叶斯理论模型[2]。此后，根据各种风控决策的经济效益的对应值，将其按照大小分为两个层级，每个层级所对应的房地产投资风控决策都有若干个，根据君子和最大值的差额，求出推理的指标群。

实证分析

（l）数据的收集与处理

本文的研究数据来源于国泰安数据库，根据ST和PT原则对企业进行剔除，选择了160个样本，按照上述模型对其进行验证。

（2）风险决策执行的联合概率与全概率

本文首先对160个样本的产值政府及其风险控制进行对比分析。其中，为对不同风控决策所对应的风险层级进行树立，对风险控制的水平进行划分，对于负债比重低于45%的企业，将其归于高风险控制；对于负债比重高于65%的企业，将其归为低风险控制企业。同时对各时序点的样本所面临的风险用数值进行表示，用l，2，3分别代表高中低风险层级。然后根据模型风控决策效应，验证所有样本，得出房地产投资风险控制与产值政府的关系，对其进行比较分析。从分析结果可知，2010年，房地产行业的产值增幅达到了16.2%，并且其风控层级是l级。2011年，房地产行业的增幅仅为8.9%，为全部样本中的最低增幅，并且其风控层级是2级。由此可以看出，房地产行业在快速发展的同时，其经济增长并没有和风险层级完全实现对应。所以，对于实验结果，要对其进行进一步的验证，分析其有效管控风险层级的概率。

因此，针对上述论述，笔者利用贝叶斯网络学习联合概率和推理的全概率分布，得出了如表l的结果。结合对应的先验概率，来求出相应的条件概率，并求其和，以得出学习的联合概率，进而获得对应的全概率分布。因此，房地产投资风险控制效益处于中等水平的阶段其联合概率与全概率最高，其权重是o.374，该权重能够对最高全概率的分布值进行反映。所以，对于房地产行业来说，其得到的风控决策通常处于中等水平，而低层与高层的风控决策，还无法获得显著的联合和全概率分布。所以，对于房地产行业来说，执行低风险或高风险的决策点实际上都不合适。

（3）贝叶斯网络决策推理

然后采用贝叶斯网络推理的方法对样本中的低风险和高风险的样本进行盐酸，会根据高中低收益分别进行测算，获得各层次所对应的控制效益。实际上，不同级别的风险控制决策，所对应的贝叶斯网络学习的风控层次也是各不相同。在该层次机制下，采用网络推理初始测试来计算后验概率，进而得出不同风控决策层的后验概率分布。在此过程中，一阶贝叶斯网络学习的投资风控，对应的概率最高为o.53，对应的最低的概率是o.17。经过推理以后，新的格局就此形成。对于高风险控制决策，初始测试的值分别是o.32、o.53以及o.16，这也说明对房地产行业来说，风控决策不仅受其本身风险决策等因素的影响，也比较容易受到各主体对风控决策差异等其他因素的影响。

此后，根据一阶先验概率，可以得出投资风控的决策条件，采用贝叶斯网络推理的方法，对高中低控制效益进行分析，根据先验概率来计算后验概率的密度函数。得出的结果表明，原来的能够进行不同层级的风险控制层级，逐渐递减，其先验概率分布也相对均衡。这也说明通过贝叶斯网络推理可以得出更加确切的房地产风控决策的信息，并且投资风险决策的层级与原本的投资风控层级也各不相同。相对来说，经过贝叶斯网络推理以后，虽然高低风险层级依然非常显著，但其报告值实现了一定程度的下降，而中层相对于高层而言，其报告值下降的非常明显。这也在一定程度上削弱了我国房地产市场的中层级别对风控和产业增长的关联度，需要平衡实施风控决策。

结语

本文基于房地产投资风控决策的各个层级的经济效益，采用贝叶斯网络决策以及一阶贝叶斯网络学习模拟，对比分析房地产投资风控决策的联合概率以及密度函数，对贝叶斯网络学习的模型进行验证，进而影响风控决策。从研究过程来看，不同层级的风控决策，所获得的效益也各不相同。对于房地产行业来说，在进行风控决策时，主要受到自身以及企业风控决策等多方因素的影响。房地产行业要从内部对风险进行剖析。本文的研究也存在一些不足，在今后的学习中，会深化对贝叶斯网络学习推理模型的認识，并对其他汗液进行严重，以提升模型的适用性。

[l]郭百钢，基于Bayes网络的项目投资风险评估与决策方法研究[D].南京理工大学，2004.

[2]黄梦非，姚明秀，鲁波涛，贝叶斯网络决策在房地产投资风险控制中的应用[J].统计与决策，2017（21）：71-74.