金融機構為滿足行內、外風險控制，必須對不動產重新鑑價，往往需投入大量人力。由於近年來資訊軟硬體的蓬勃發展，利用電腦建立房價預測模型已被廣泛採納。在多數研究中，主要運用迴歸模型進行預測，近年來在業界與機器學習大賽平台Kaggle中常使用 XGBoost (extreme gradient boosting) 作為分析方法，因其不管是分類或迴歸方法皆可採用的特性，且具有良好的預測績效，已漸漸成為相當熱門的研究方法。本研究應用XGBoost建立房價預測模型，並與複迴歸進行預測績效之比較，資料來源為內政部實價登錄網101年11 月至 108 年 02 月之台北市交易資料。實證結果顯示，XGBoost之預測績效優於複迴歸之預測績效。

It is common for financial institutions to re-evaluate real estate property in order to understand the risk they are facing with, and it often requires to invest a vast of manpower. Due to the booming of related computer system develop in recent years, using computer software to build house price forecasting models has been widely adopted. In most studies, regression models are mainly used for pricing prediction. Recently, using XGBoost (extreme gradient boosting) as the main analysis method has become a trend, whether in the industry or machine learning competition platform “Kaggle”. It is because XGBoost can be used both in classification or regression methods and with good predictive performance. This study is mainly focus on establish a house price forecasting model with XGBoost method and multiple regression, then compare their accuracy in prediction result. For this research, I collected the Taipei City transaction data from Nov. 2012 to Nov. 2019 from Real Price Registration System of the Ministry of Interior. We find that the results of this experiment show that XGBoost's forecast performance is better than complex regression.

參考文獻
中文部分:
1. 王恭棋 (2006)，「房價指數模型建構之研究--以桃竹地區市鎮交易資料為例」。國立政治大學經濟研究所碩士論文。
2. 吳晏榕 (2010)，「房價指數應用在銀行資產重估之研究」。國立政治大學經濟研究所碩士論文。
3. 邱司杰 (2014)，「基於實價登錄的房價模型研究」。國立交通大學網路工程研究所碩士論文。
4. 林煜閔 (2015)，「台灣地區房價之預測:ARDL模型的應用」。國立東華大學經濟學系碩士論文。
5. 高明志 (1998)，「類神經網路應用於房地產估價之研究」，國立政治大學地政學系碩士論文。
6. 陳樹衡、郭子文、棗厥庸 (2007)，「以決策樹之迴歸樹建構住宅價格模型—台灣地區之實證分析」，《住宅學報》16(1)，1-20。
7. 陳俊麟 (2013)，「運用支撐向量機預測台北市住宅價格」，國立屏東商業技術學院不動產經營系(所)碩士論文。
8. 張怡文、江穎慧、張金鶚 (2009)，「分量迴歸在大量估價模型之應用--非典型住宅估價之改進」，《都市與計劃》36(3)，281-304。
9. 曹錦山 (2010)，「建構房價指數模型之研究」。國際經營管理碩士學位學程商業及管理學門碩士論文。
10. 許智淵 (2012)，「類神經網路技術與特徵價格法於台北市房價預測結果之比較研究」。國立臺北大學企業管理學系碩士論文。
11. 游適銘、張金鶚 (2010)，「成本法估價偏誤之探討－分量迴歸應用，《住宅學報》19(2)，81-104。
12. 董呈煌、李春長、陳俊麟、吳韻玲 (2016)，「SVR與OLS在住宅價格預測正確率的比較」，《住宅學報》25(2)，31-51。
13. 葉日揚 (2018)，「一個結合極限梯度提升分類模型與關鍵字抽出方法的釣魚網站偵測服務架構」。國立臺灣科技大學資訊工程系碩士論文。
14. 劉玉婷 (2009)，「應用迴歸分析及類神經網路建構不動產估價模式-以台中市住宅為例」。國立雲林科技大學營建工程系碩士班碩士論文。
15. 蔡爾逸 (2012)，「應用支撐向量機(SVM)於都市不動產價格預測之研究」，國立中央大學營建管理研究所碩士論文。
16. 賴碧瑩 (2007)，「應用類神經網路於電腦輔助大量估價之研究，《住宅學報》16(2)，43-65。
17. 賴智彬 (2014)，「大台北地區之房價指數預測」。國立高雄應用科技大學金融資訊研究所碩士論文。
18. 魏新翰 (2014)，「購屋貸款利率和貨幣供給對房價之影響-平滑轉移自我迴歸模型之應用」。國立中山大學財務管理學系研究所碩士論文。
19. 魏如龍 (2003)，「類神經網路於不動產價格預估效果之研究」。國立政治大學社會及行為科學學門公共行政學類碩士論文。

英文部分:
1. Chen T and Guestrin C, “XGBoost: A scalable tree boosting system,” 22nd SIGKDD Conference on Knowledge Discovery and Data Mining; 2016: ACM.
2. Rosen, S. 1974 “Hedonic Price and Implicit Markets: Product Differentiation in Pure Competition,” Journal of Political Economy. 82(1): 34-55.