房地产开发是一项高投入、高收益、高风险的投资活动,受社会、经济、技术等因素的影响较大,在开发过程中存在着不确定性,在为投资者提供高收益可能的同时,也蕴含着相应的高风险。而很多投资者只看到房地产市场带来的高额投资回报,却忽视了蕴藏在高收益之后的风险,在投资决策时期只是凭主观经验对项目风险进行粗略分析,很少进行系统的风险综合分析、评价,当风险因素一旦发生,极易造成投资失败。因此,对房地产开发投资风险评价方法进行研究,具有重要的理论与实践意义。本文主要研究内容如下：首先阐述了房地产开发投资风险分析的的相关理论,研究了房地产投资风险分析的内容；其次阐述了BP神经网络、遗传算法与SVM的相关理论；本文侧重于借助实例,分析GABP神经网络和SVM两种方法应用于房地产投资风险预测的效果,由于GABP神经网络方法在很多领域前人都有过研究,在房地产领域也有过一些研究,所以本文在此基础上又引进一种新的方法—支持向量机(SVM)将其应用到房地产投资风险评价中。这种方法比较新颖,在一些领域有初步研究,但是在房地产领域基本没有研究过,本文尝试建立了基于SVM的房地产投资风险评价模型,将两种方法对比研究,侧重于引出SVM方法预测效果,实证研究结果表明,虽然两种方法都可以应用到房地产风险预测领域,但是SVM方法要优于GABP神经网络方法,且预测精度较高,证明SVM方法可以应用到房地产风险评价中。本文针对BP网络的缺陷,建立了基于GABP神经网络及SVM的房地产投资风险评价模型,GABP神经网络是用遗传算法(GA)对神经网络的权值和阀值进行优化学习,再利用优化后的BP网络再次训练样本,最后得到问题的最优解。支持向量机(SVM)是一类新型的机器学习算法,它能够非常成功地处理分类和回归问题。其良好的非线性品质、极高的拟合精度、灵活而有效的学习方式、不依赖于样本的特点,使房地产投资风险预测很好。本文研究成果为理论界和实业界提供了一套切实可行的房地产投资风险预测模型,对提高我国房地产企业投资决策水平具有现实意义。