Знание динамики рынка недвижимости необходимо всем участникам рынка: застройщикам, инвесторам, коммерческим банкам, государству, домохозяйствам. При этом прогнозирование временных рядов цен на недвижимость является сложной задачей из-за специфических особенностей временных рядов цен, таких как нестационарность, цикличность и зашумленность. Целью исследования является прогнозирование динамики рынка недвижимости г. Красноярска методами, учитывающими особенности временных рядов цен на недвижимость. В работе использованы авторские модификации модели «Интегрированная авторегрессия – скользящее среднее» для учета нестационарности и зашумленности и метода «Разложение Фурье» для учета стационарности и цикличности. Модели тестировались на данных о стоимости квадратного метра на первичном и вторичном рынках за 2010–2025 годы как на коротких, так и на длительном временных промежутках. В качестве метрики качества модели была использована средняя абсолютная ошибка в процентах. Обе модели, согласно данной метрике, показали высокую точность прогнозов. При этом на длительных временных интервалах метод «Разложение Фурье» обеспечил более высокую точность, тогда как модель «Интегрированная авторегрессия – скользящее среднее» продемонстрировала лучшие результаты на коротких промежутках без выраженных циклов. Предложенные модификации методов эффективно учитывают особенности рыночной динамики и позволяют строить качественные прогнозы для участников рынка недвижимости.
Understanding real estate market dynamics is essential for all market participants: developers, investors, commercial banks, governments, and households. However, forecasting real estate price time series is a complex task due to the specific characteristics of price time series, such as non-stationarity, cyclicality, and noise. The purpose of this study is to forecast real estate market dynamics in Krasnoyarsk using forecasting methods that take into account the specific characteristics of real estate price time series. In the fallowing paper were used the author’s modifications of the “Integrated Autoregressive Moving Average” model to account for non-stationarity and noise, and the “Fourier Decomposition” method to account for non-stationarity and cyclicality. The models were tested using data on the price per square meter in the primary and secondary markets for 2010–2025, covering both short and long periods. The mean absolute percentage error was used as the model quality metric. Both models demonstrated high forecast accuracy according to this metric. Moreover, over long time intervals, the Fourier decomposition method provided higher accuracy, while the integrated autoregressive moving average model demonstrated better results over short time intervals without pronounced cycles. The proposed method modifications effectively account for market dynamics and enable high-quality forecasts for real estate market participants.
1. Телешев Г.В. История международных кризисов банковского сектора, связанных с рынками недвижимости: наблюдения и выводы для российского рынка недвижимости // Имущественные отношения в Российской Федерации. 2020. № 3 (222). С. 7-19. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=42599208 (дата обращения: 18.10.2025). DOI: 10.24411/2072-4098-2020-10301.
2. Афанасьева О.Н. Коммерческие банки как базовые институты денежно-кредитной политики: кредиты домохозяйствам и экономический рост // Журнал прикладных исследований. 2021. № 6-6. С. 540-547. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=47469493 (дата обращения: 18.10.2025). DOI: 10.47576/2712-7516_2021_6_6_540.
3. Нильсен Э. Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение. СПб: ООО «Диалектика». 2021. 544 с. [Электронный ресурс]. URL: https://thelib.net/2929551-prakticheskij-analiz-vremennyh-rjadov-prognozirovanie-so-statistikoj-i-mashinnoe-obuchenie.html?ysclid=mi4ccb7tz8871949904 (дата обращения: 18.10.2025). ISBN 978-5-907365-04-9.
4. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление / перевод с англ. А.Л. Левшина; под ред. В.Ф. Писаренко. М.: Мир, 1974. Вып. 2. 197 с. [Электронный ресурс]. URL: https://search.rsl.ru/ru/record/01006876211?ysclid=mi2y8nmqds765724747 (дата обращения: 18.10.2025).
5. Ахметов Р.Р. Проблемы моделирования устойчивости финансового рынка как динамической системы // Финансы и кредит. 2023. Т. 29. № 1. С. 4 –20. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=50167496 (дата обращения: 18.10.2025). DOI: 10.24891/fc.29.1.4.
6. Боченина М.В. Применение метода коинтеграции структурных данных в анализе рынка жилой недвижимости // Вопросы статистики. 2021. Т. 28. № 5. С. 79-85. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=47112872 (дата обращения: 19.10.2025). DOI: 10.34023/2313-6383-2021-28-5-79-85.
7. Zinenko A., Stupina A. Financial time series forecasting methods. ITM Web Conf. II International Workshop “Hybrid Methods of Modeling and Optimization in Complex Systems” (HMMOCS-II 2023). 2024. Vol 59. 02005. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=66233311 (дата обращения: 19.10.2025). DOI: 10.1051/itmconf/20245902005.
8. Imro’ah N., Huda N.M., Mauditia L. Forecasting blood availability in Pontianak city using ARIMA models to optimize inventory planning at utd pmi // JTAM (Jurnal Teori dan Aplikasi Matematika). 2024. Т. 8. № 4. С. 1146. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=79404732 (дата обращения: 19.10.2025). DOI: 10.31764/jtam.v8i4.24789.
9. Zhu X., Wang Z., Liu H., Wang J. Gold and bitcoin prices trend forecast based on ARIMA and grey prediction // BCP Business & Management. 2022. Т. 26. С. 551-559. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=56667961 (дата обращения: 19.10.2025). DOI: 10.54691/bcpbm.v26i.2008.
10. Cai Z. Comparison of ARIMA and ARIMA error regression models: evidence from the Russian consumer price index // Advances in Economics, Management and Political Sciences. 2023. Т. 51. № 1. С. 278-288. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=63937817 (дата обращения: 19.10.2025). DOI: 10.54254/2754-1169/51/20230675.
11. Зиненко А.В. Алгоритм комбинирования моделей ARIMA и GARCH для прогнозирования биржевых котировок // Экономика и менеджмент систем управления. 2024. № 3(53). С. 32-41. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=69171542 (дата обращения: 19.10.2025).
12. Басалов Ю.А., Добровольский Н.Н., Чубариков В.Н. Многомерная Фурье-интерполяция и быстрые преобразования Фурье // Доклады Российской академии наук. Математика, информатика, процессы управления. 2024. Т. 517. № 1. С. 41-43. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=69204687 (дата обращения: 19.10.2025). DOI: 10.31857/S2686954324030074.
13. Концевая Н.В. Разложение Фурье как инструмент для прогнозирования рыночных трендов // Международный научно-исследовательский журнал. № 7-1 (7). 2012. С. 8–9. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=18649222 (дата обращения: 20.10.2025).
14. Кхием Ф.С., Батчаева З.Б., Катчиева Л.К. Гибридизация методов машинного обучения и статистики для улучшения интерпретируемости моделей // Экономика и управление: проблемы, решения. 2024. Т. 15. № 12 (153). С. 214-220. [Электронный ресурс]. URL: https://www.elibrary.ru/item.asp?id=80256295 (дата обращения: 20.10.2025). DOI: 10.36871/ek.up.p.r.2024.12.15.025.
15. Астапов Р.Л., Мухамадеева Р.М. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения // Актуальные научные исследования в современном мире. 2021. № 5-2 (73). С. 34-37. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=46193354 (дата обращения: 20.10.2025).