1998年居民住房商品化以来,商品房价格一直是百姓的重点关注对象,二手房作为商品房中重要的组成部分,无论在商品房成交套数还是商品房成交金额中,占比都逐年上升,加上目前北京的城镇化率已经超过86.6%,城市新增住房用地面积降低,商品房的存量时代已经到来。二手房的交易是一种低频、大宗且非标的交易,如何将二手房的价格评估准确,一直是买卖双方乃至中介公司的痛点。帮助二手房的买卖双方更清晰、更合理地判定二手房价格,是本文研究与构建二手房价格模型的主要目的之一。本文首先通过网络爬虫从链家官网获得北京市2019年的二手房成交数据,其中包括房屋面积、供暖方式以及电梯配备情况等21个微观变量,再调用腾讯地图API,获得每套房源的周边配套信息数据,并从商业数据库中获得可能影响房价走势的个人住房贷款利率、M2以及城镇化率等5个宏观变量。考虑到宏观数据为近5年的月度数据,故本文没有将宏观因素与微观因素综合在一个模型中,而是分别研究其对房价的影响;其次,对于获取到的微观变量数据进行清洗,缺失值填补以及探索性分析与可视化。之后用灰色关联度分析与嵌入法进行特征筛选,选取13个微观变量。然后,对微观数据集分别建立集成算法中的XGBoost模型,以及非集成算法中的BP神经网络模型。注意到距离市中心的公里数对于房价有着很大的影响,所以建模中仅选取了成交房源最多的地段,即距城中心的距离在4到6公里内的房源数据,以此来消除距市中心不同公里数所带来的影响。对参数调优后的两种模型通过五折交叉验证比较,在均方误差准则下,XGBoost模型的预测效果更好。同时基于XGBoost模型获得微观各特征对于房价的影响程度排序,其中重要性排在前四位的分别是建筑面积、建成年代、附近500米内有无小学和商场。最后,建立随机森林模型分析宏观因素对于二手房价格的影响程度,发现在控制政策对于房价影响的情况下,M2同比增速是对于房价影响最大的宏观变量。对比已有的研究成果,发现不同时期各个特征对于房价的影响程度不同。本文的研究结果表明,在当前时期,政府在进行房价调控时可以主要从政策和M2的角度出发,购房者在对所选房屋进行价格评价时可重点关注房屋面积,建成年代、附近500米内有无小学和商场这些因素。