基于改进遗传算法的房地产投资项目风险评价模型

严蓓俊 等

摘要： 房地产投资项目风险具有特殊性，在借鉴和总结前人研究成果的基础上，利用改进的遗传算法来研究房地产项目投资中的风险，将房地产风险量化， 进行风险评价。这种方法具有自组织与自适应等优点，克服了主观因素多的缺点， 提高了评价的精确度，从而给管理者提供更为合理的参考依据，使投资决策更为科学。

Abstract： Real estate investment project risk has particularity. In reference and summarizing the predecessors' research results， the paper uses improved genetic algorithm to study the real estate investment project risk， quantifies the real estate investment project risk， and makes risk evaluation. The method has the self organization and adaptive etc.， overcomes the shortcomings of subjective factors， and improves the accuracy of the evaluation， so as to give managers more reasonable reference basis， and make the investment decision-making more scientific.

关键词： 房地产项目投资；风险分析；遗传算法

Key words： real estate project investment；risk analysis；genetic algorithm

中图分类号：F293.3 文献标识码：A 文章编号：1006-4311（2013）03-0162-02

0 引言

房地产项目投资的特点是投资量大、周期长、影响因素复杂，投资方在决策时往往较为谨慎，因为一旦出现决策失误其损失将会非常巨大。

从宏观上看，投资项目的风险评价具有全方位、系统化的特征，但另一方面，这一过程中又包含着科学细致的定量化分析的内容。当前国内在房地产风险评估上主要采用的方法有层次分析法、灰色系统分析法、模糊综合评价法等。这些方法的不足之处是其评价结果容易受到人的主观因素的影响。遗传算法因具备了自组织与自适应的特点，其应用领域不断扩大。下面笔者将对房地产项目投资风险评价体系以及遗传运算的运用进行介绍。

1 房地产项目投资风险及评价指标体系

1.1 房地产项目投资风险 房地产项目投资风险指的是由于房地产市场存在许多不确定因素，投资者可能会因此而遭受损失。这种可能性是不利事件发生的概率及其后果的函数，它包括投入资本的损失和预期收益与期望值存在差距。

1.2 房地产项目投资风险评价指标体系 在房地产风险指标的划分上，根据导致风险因素的性质不同，可以划分为经济风险指标、社会风险指标、技术风险指标和自然风险指标。

经济风险指标中所包含的不确定因素主要与经济环境和经济发展有关。社会风险指标指的是由社会区域政策变动、城市规划变动以及公众干预等。人文社会环境的变动，带动房地产市场随之变动，使地产投资商可能因此蒙受经济损失的风险指标。技术风险指标实际是地产项目建设因劳务供求关系的变化、施工技术的可行性和机具设备的更新等技术因素而受到的影响的风险指标。自然风险指标，是指在房地产的建设阶段与运营阶段，由地质状况、地域环境的变化以及诸多不可抗力的自然因素，使房地产投资与经营蒙受损失的风险指标。

2 遗传算法介绍

遗传算法源于生物遗传学，是一种借鉴生物界适者生存，优胜劣汰的进化规律演化而来的随机化搜索方法。与以往的优化算法相比，遗传算法的特别之处和优点在于：

第一，遗传算法没有使用参数本身，而是使用问题参数的编码集进行工作。当在连续函数的优化计算中运用遗传算法时，位串长度和编码方法不仅影响着计算精度，而且还影响着群体中个体之间的距离，并对全局极值的求解造成直接影响；

第二，与传统优化算法不同，遗传算法从问题解的串集进行寻优，而不是从单个解开始，使得覆盖面扩大，有利于全局择优。因此，遗传算法适合求解规模较大的问题；

第三，遗传算法仅使用适应度函数值来评估个体，不需要其它任何先决条件或辅助信息，其操作简单，应用范围较广；

最后，遗传算法没有采用确定性规则，而是采用概率的变迁规则来工作。这种方法适合用来处理离散型变量优化问题。遗传算法包含三个基本遗传算子，即：

①选择：作为遗传算法的一个重要算子，选择体现了优胜劣汰、适者生存的原理。其基本逻辑是适应性强的个体有更高的概率为下一代贡献个体，也就有更大的概率被选作下一代的父本。选择算子能够很好地推动进化过程，因为在选择后得到的新群体，其平均适应性将高于原群体。首先，将随机产生的初始群体按由好到坏排列m个个体，再将最好个体的选择概率定义为q，pj=（1-q）j-1，q′=q/[1-（1-q）m]，ppj=■pk，随机数ξ∈（0，1），若ppj-1？刍ξ？燮ppj，选择j产生下一代。

②交叉：群体中的两个父代个体，其部分字符串交换重组，生成两个新个体。交叉使得遗传算法的搜索能力获得提高。OX法和单点映射法是两种常见的交叉形式。其中，OX法是以随机选取的形式在两个父串中选定一匹配区域，如下式“A”和“B”：A=1 2 | 3 4 5 6 | 7 8 9；B=9 8 | 7 6 5 4 | 3 2 1，

在A的匹配区域前面加入B，然后在B的匹配区域前加入A，由此获得2个子串，如下式：A′=7 6 5 4 | 1 2 3 4 5 6 7 8 9；B′=3 4 5 6 | 9 8 7 6 5 4 3 2 1。

在A′中，依次删除匹配区域后的同类代码，获得如下子串：A″=7 6 5 4 1 2 3 8 9；B″=3 4 5 6 9 8 7 2 1。

单点映射法是随机选取一个交叉点，交叉点前的个体与交叉点后的个体在交叉过程中，部分个体结构进行互换，由此生成两个新个体。

A=2 1 3 | 4 5 6；B=3 1 2 | 4 7 5，

交叉后得A′=2 1 3 | 4 7 5；B′=3 1 2 | 4 5 6。

③变异：为了防止陷入局部解的危险，确保算法的全局最优，在群体中任意选定一对元素以概率交换它们的加工位置，其余元素的位置保持原样。若设定的变异率太大，则可能破坏型式，进而完全变成随机搜索；反之，若设定的变异率太小，则无法引入最初遗传基因组合以外空间的新基因，致使解的搜索空间陷入局部解。变异方法有两种，即对换变异与插入变异。其中，对换变异是在串中任意选定两点，交换其值。插入变异是在串中任意选取一个码，将该码插入随机设定的插入点之间。

在上述三个算子的共同作用下，遗传算法对染色体群形成生存压力，使群体在一系列迭代后，一步步向更好解的方向进化，当迭代次数达到最大才停止。

3 用遗传算法计算房地产开发项目的风险指标评价