房地产市场的波动性研究：基于中美房地产市场的GARCH模型分析

２０１１年第４期　总第２６９期　ｌ　南能　Ｎ０．４．２０１１　ＨＡＩＮＡＮ　ＦＩＮＡＮＣＥ　Ｓｅｒｉａｌ　Ｎｏ．２６９　房地产市场的波动性研究：基于中美房地产市场的ＧＡＲＣＨ模型分析　崔寅生。刘佳　（河北经贸大学金融学院，河北石家庄０５００６１）　摘要：ＧＡＲＣＨ模型是近２０年发展起来的时间序列模型，它反映了经济变量之间特殊的不确定形式。方差随时　间变化而变化，所以其在金融市场的预测与决策方面有着重要的作用。本文运用ＧＡＲＣＨ类模型对中关两国的房地产　销售价格指数的收益率波动进行了分析，并得出以下结论：房地产市场的收益的方差具有不稳定性．且存在着“波动　聚集性”。就我国而言，我国的房地产市场并不存在杠杆效应。　关键词：房地产市场：ＧＡＲＣＨ：杠杆效应　中图分类号：Ｆ２９３．３　文献标识码：Ａ　文章编号：１００３—９０３１（２０１１）０４—００２０—０３　ＤＯＩ：１０．３９６９０．ｉｓｓｎ．１００３—９０３１．２０１１．０４．０４　一、引言及相关文献　上存在着“杠杆效应”，“利好消息”要比“利空消息”对市　场带来的冲击要大脚。宋逢明、江婕（２ｏ０３）将我国的股市　运行分成了三个阶段，并运用ＧＡＲＣＨ模型进行了风险　分析。他们认为我国的股票市场的系统风险所占的比重　随着世界经济和金融产业发展．房地产市场在世界　各国的金融和经济发展中发挥着举足轻重的作用。房地　产市场的收益和风险的变化不仅影响着金融市场的变　化，同时影响着经济的运行。从近几年的走势来看，我国　的房地产价格处于单边上涨的态势。市场的风险在不断　的加大。因此对房地产市场的波动进行分析，是十分必　要的。Ｂｏｌｌｅｒｓｌｅｖ（１９８６）年提出了广义自回归条件异方差　要大于非系统风险所占的比重，稳定我国股票市场的系　统风险才是发展我国股票市场的根本之道［３１。在汇率市场　研究方面，惠晓峰等（２００３）运用了ＧＡＲＣＨ（１，１）模型对　我国汇改之后的人民币／美元汇率进行预测分析，并证　ＧＡＲＣＨ模型，它是一种非常重要的波动性估计方法『ｌ＿。由　于Ｂｏｌｌｅｒｓｌｅｖ提出的ＧＡＲＣＨ模型在估计金融变量回报　明了人民币汇率存在着明显的自相关性和异方差性［４１。　同时，ＧＡＲＣＨ效应还被引人到了期货市场的研究方面。　时的良好特性，即时变的方差和处理厚尾的能力，使其在　金融领域中已经获得了非常广泛的应用。因此．鉴于　迟国泰等（２００６）以单个期货合约每一交易日涨跌率反映　期货市场风险，借助ＶａＲ风险价值法，运用广义自回归条　件异方差ＧＡＲＣＨ模型，建立了ＶａＲ—ＧＡＲＣＨ单个期货　合约市场风险评估模型，解决了单个期货合约每一交易　日最大损失的确定问题［５１。在研究房地产市场方面，运用　ＧＡＲＣＨ模型进行分析的研究目前还比较少，主要集中　ＧＡＲＣＨ模型对金融数据的优良处理能力，本文通过建　立ＧＡＲＣＨ模型，将房地产作为金融产品的研究的角度。　并采用中美两个市场进行对比的方法．对房地产市场的　价格波动进行了分析　目前。ＧＡＲＣＨ模型在我国的金融市场的风险度量　于对个别城市的分析，较典型的有杨楠（２００６）对上海市　二手房市场的收益进行了ＶＡＲ分析。他通过分析表明．　房地产市场对ＧＡＲＣＨ模型也存在较强的适用性１６１。屠佳　华和张杰（２００５）采用ＶＡＲ模型对样本期为２０００年７月　至２００４年３月的上海房价进行了实证研究，结果发现房　和市场预测中得到了广泛的应用。在资本市场方面，陈　浪南、黄杰鲲（２００２）的研究具有代表性，他们运用ＧＡＲＣ　Ｈ—Ｍ模型对我国股票市场的非对称性波动进行了研究　并取得了不错的效果。他们认为我国股票市场一定程度　收稿日期：２０１１－０１—２Ｏ　地产空置率、房地产投资与固定资产投资的比例、房价的　历史信息等是影响房价的主要因素Ｉ７］。黄忠华等（２００８）在　他们的研究中运用了ＧＡＲＣＨ模型簇对上海房地产市场　作者简介：崔寅生（１９８６一），男，河北保定人，河北经贸大学金融　学院硕士研究生：　刘　佳（１９８７一），女，河北石家庄人，河北经贸大学金　做了分析，计量结果表明房价历史信息能部分解释当期　房价的变化；利率对房价具有显著的负影响：汇率对房价　融学院硕士研究生　ｇｔｓ，ｏ４．－￣２０１１年第４期　的影响为正；房价变化存在不对称效应，降息对房价的冲　其中，不对称性是由参数　反映的。当　为正时，负　击大于加息引起的冲击嗍。　外部冲击会比正外部冲击带来更大的波动，称市场波动　与以往的分析相比较，本文试图通过我国房地产价　存在杠杆效应。　格和美国的房地产市场的整体走势，运用相对较长的样　三、实证分析　本期，建立ＧＡＲＣＨ（１，１）、ＥＧＡＲＣＨ和ＴＡＲＣＨ等３个模　１．数据来源　型，对房地产市场的收益波动进行分析。通过两个市场　在数据选取方面，本文选取了我国的商品房平均销　的收益波动对比，更客观地描述我国房地产市场的收益　售价格分类指数和美国的Ｓ＆Ｐ　Ｃａｓｅ—Ｓｈｉｌｌｅｒ房屋销售价　的风险和波动大小。　格指数１９９１年１月至２０１０年９月共２３７个月度数据进　二、模型概述　行了分析。其中，我国的数据来自数据中华细分行业数　１．ＧＡＲＣＨ模型　据平台（ｈｔｔｐ：／／ｗｗｗ．ｄａｔａ．ａｌｌｃｈｉｎａｄａｔａ．ｃｏｍ），美国的数据来　ＧＡＲＣＨ模型称为广义ＡＲＣＨ模型，是ＡＲＣＨ模型　自美国标准普尔指数网站（ｈｔｔｐ＇．／／ｗｗｗ．ｓｔａｎｄａｒｄａｎｄｐｏｏ　ｒｓ．　的拓展，即为ＡＲＣＨ模型的一种特例。ＧＡＲＣＨ模型除了　ｃｏｍ）。　考虑扰动项的滞后期之外，同时也加入了扰动项条件方　本文之所以这样选取数据是基于以下两点来考虑的：　差的滞后期。从本质上讲，它允许时间序列的分布出现高　第一，两者的时间序列较长便于分析，并更能说明问题；第　峰特征，从而能更好地描述数据的经验分布。ＧＡＲＣＨ（ｐ，　二，两者的数据都具有一定的代表性，可以基本代表两个　ｑ）表示如下：　国家的房地产价格变化走势。但是这样做同样会出现一些　Ｏ＂ｔ：∞＋∑ｃｔｉｅ２．ｉ＋∑１３ｉＯ＇２一　问题，如我国的房地产价格销售指数在以前的编制并不规　ｉ：１　Ｊ＝１　范，可能会造成一定的信息遗漏，但这并不会对实证的结　，ｑ）　果造成很大影响。同时为保证模型的效果，本文将用两者　其中，（Ｉ）＞０，　ｉ＞Ｉ０，１３１＞Ｉ０，　（０ｌｉ＋１３　）＜１　（１）　月收益率的对数进行实证分析。其中ｒ＝ｌｎｐ广ｌｎｐ　但无论是ＡＲＣＨ还是ＧＡＲＣＨ，只能反映金融时间序　２．ａｒｃｈ效应检验　列的高峰厚尾和波动聚集现象，不能反映非对称性。　Ｅｎｇｅｌ（１９８２）提出了用拉格朗日乘子法（ＬＭ　ｔｅｓｆ１来检验序　２．ＥＧＡＲＣＨ模型　列是否存在ＡＲＣＨ效应，其零假设是不存在ＡＲＣＨ效应日。　ＧＡＲＣＨ模型能够反映波动率的聚集现象，但是它　从表１可看出．两国样本的Ｆ—ｓｔａｔｉｓｔｉｃ和Ｏｂｓ＊Ｒ—ｓｑｕａｒｅｄ　不能反映波动率的非对称性，不能解释收益的杠杆效应。　都在１％的水平下显著，即明显存在ａｒｃｈ效应。而两者的　一个时期的波动不论正负都会增加接下来一个时期的条　Ｋｕｒｔｏｓｉｓ都大于３。且Ｊａｒｑｕｅ—Ｂｅｒａ值均在１％的水平下显　件方差，因此会忽略波动中周期性或非周期性的因素。　著，即拒绝“本序列服从正态分布”的原假设，其样本具有　为了克服ＧＡＲＣＨ模型的这些缺点。Ｎｅｌｓｏｎ（１９９１）提出了　高峰厚尾的特征，因此两者适合进行ＧＡＲＣＨ分析。　ＥＧＡＲＣＨ模型。为了允许在模型中体现正负资产收益率　表１房地产收益的描述性统计量　的非对称效应，考虑加权因素，ＥＧＡＲＣＨ（１，１）的条件方差　Ｆ—ｓｔａｔｉｓｔｉｃ’　Ｏｂｓ　Ｒ—ｓｑｕａｒｅｄ　Ｓｋｅｗｎｅｓｓ　Ｋｕｒｔｏｓｉｓ　Ｊａｒｑｕｅ—Ｂｅｒａ　可以表示为：　Ｃｈｉｎａ　１１．８３　１１．３５　—１．１６　８．９７　３７０．Ｏ１　ＵＳＡ　６１．６６　４８．６５　０．０００９　６．２５　１４８．９８　ｌｎｈｔ＝（￡）＋６（　Ｏ＇ｔ＿１　）＋ｙ（Ｉ　Ｏ＇ｔ＿２　Ｉ＿ＥＩ（　１　）Ｊ）＋ｐ　ｌｎｈ¨　（２）　１％的检验水平下显著　ｔ一　其中６表示杠杠效应，如果８为正数则代表不存在　３．实证分析结果　杠杆效应，若其为负数即为存在杠杆效应。　表２　ＧＡＲＣＨ（１，１）模型的分析结果　３．ＴＧＡＲＣＨ模型　系数　Ｃｈｉｎａ　ＵＳＡ　－０．００７４５４　Ｏ．０Ｏ４５２４　ＴＡＲＣＨ模型是另一个可以反映出时间序列的非对　∞　４．４７Ｅ—Ｏ６　６．４４Ｅ—Ｏ７　称性的模型，它由Ｚａｋｏｉａｎ（１９９６）和Ｇｌｏｓｔｅｎ　Ｊａｇａｎｎａｔｈａｎ．　０．４４１６１９　Ｏ．１６１８４ｌ　Ｂ　０．５３０２３５　Ｏ．８００６６　Ｒｕｎｋｌｅ（１９９３）分别提出，条件方差表达式如下：　Ｌｏｇ　ｌｉｋｅｌｉｈｏｏｄ　７９７．６２　９５９．４６５　ＡＩＣ　一６．７６２７５　１　－８．５６０２２４　ｈ　：（＝（Ｉ）＋∑仅。＋　仅。￡　＋　－ｔ－＇￣ｅ２ｔ＿－ｉ　Ｃｔ＿ｉ＋　ｌ∑—　￣ｊｈ２ｔ　（３）　ＳＣ　－６．７４４９４６　－８．４８３８３　ＡＲＣＨ（１）检验　０．０３４３０７　０．０ｏ５９５５　『Ｏ．８５３１１　『０．９３８５１　缮南　以上数据均在ｌ％的检验水平下显着，口内为Ｐ值。　从表２可看出，对两国房地产收益率序列，在ｌ％的　显着水平下．　和１３的检验结果是显著的，而且这些是系　２０１１年第４期　以看出，两国房地产市场收益率的ＥＧＡＲＣＨ（１，ｌ１模型中的　负，说明其存在杠杆效应。我国的房地产收益８系数为证，　说明了我国房地产市场的收益的波动不存在杠杆效应。　６值在１％的水平下是显着，美国的房地产收益８系数为　数都大于零，从而保证了条件方差非负的要求，符合　ＧＡＲＣＨ模型的要求。ＡＲＣＨ项和ＧＡＲＣＨ项之和ａ＋１３均　从上述模型分析结果来看。ＴＡＲＣＨ模型能大体描述　小于１．满足ＧＡＲＣＨ模型参数约束条件．并且系数之和　非常接近于１，从而说明前期的冲击对后面的条件方差　两国房地产市场收益序列。各项检验值在１０％的检验水　平下显著。在　方面，美国的房地产收益序列在５％的检　的影响是持久的，即以前的冲击影响对未来的条件方差　的预测有着重要的作用。两者收益率序列的ＡＩＣ值和ＳＣ　值都小于一５，对数似然函数值很大，表明ＧＡＲＣＨ（１，１）　模型有较好的精确度。对残差进行ＡＲＣＨ（１）效应检验，　结果表明ＧＡＲＣＨ（１，１）模型消除了ＡＲＣＨ效应。综上所　验水平下通过了检验，说明其序列具有杠杆效应。中国的　中国的房地产收益序列的杠杆效应并不明显。　４．实证结果分析　房地产收益序列的　系数并不显著，因此可进一步判定　（１）从ＧＡＲＣＨ（１，１）的分析结果来看，中美两国的房　述，ＧＡＲＣＨ（１，１）模型适用于分析两国的房地产收益，即　两国的房地产收益存在ＧＡＲＣＨ效应。　表３　ＥＧＡＲＣＨ模型的分析结果　系数　－地产收益序列存在着一些相同的特点。一是两国的房地　证明了房地产市场的收益与资本市场其他金融产品收益　产市场收益都可以通过ＧＡＲＣＨ（１，１）模型来描述，这就　具有相同的波动特点，即存在着高峰厚尾和波动聚集现　别为０．９７ｌ８和０．９６１８，这证明了房地产市场收益的方差　稳定性较差，即房地产收益波动具有持续性，影响两国房　地产收益的因素均比较复杂。　（２）从ＥＧＡＲＣＨ模型和ＴＡＲＣＨ模型的分析结果来看，　两国的房地产市场收益序列存在着明显的差异。这主要　表现在两个市场有无杠杆效应的问题上。美国的房地产　市场具有杠杆效应。而中国的房地产市场收益并不具有　杠杆效应。这就意味着有效信息对房地产市场正冲击和　负冲击对房地产收益的影响是一样的。也就是可以预期　好消息和坏消息对交易量波动性的影响是没有差别的。　这说明现阶段我国投资者的交易行为确实存在着“羊群　效应”现象，即往往采取顺势而为的交易策略。这与我国房　Ｃｈｉｎａ　０．０ｏ３９５１　一ＵＳＡ　０．ｏ０３３８１　１．５６１０１　１．２１７４７７＊　－１．０３５０３３＊＊　０．２０６９７９＊＊　象的特点。二是两个市场的仅与１３系数之和接近于１，分　８　Ｂ　Ｌｏｇ　ｌｉｋｅｌｉｈｏｏｄ　Ａ１Ｃ　０．２５６２７１｛　０．９３３８６３＊　８７３．６６９３　－７．３７５９０９　－０．２０７ｌ５９＊　０．９２３５４５＊　９６８．０１８６　－８．６１９ｏｏｌ　ＳＣ　－７．２７２８５７　０．０４６８７９　－８．５７５８２５　１．１６８１８９　ＡＲＣＨ（１）检验　［Ｏ８２９５】　．［０．２７９８】　在１％的检验水平下显着，　表示在５％的检验水平下显　着，ｆＪ内为Ｐ值。　首先，ＥＧＡＲＣＨ（１，１）模型中对两国房地产收益率序列　的检验结果，在５％检验的水平下全都显著，两者收益率　序列的ＡＩＣ、ＳＣ和对数似然函数都很显著。因此，其回归　结果应该是有效的。其次。ＥＧＡＲＣＨ（１，１）模型中非对称性　是由加权新息来反映的，即由系数６来决定的。从表３可　表４　ＴＡＲＣＨ模型的分析结果　系数　一地产市场发展的不成熟性以及投资理念不成熟是密切相　关的。目前我国全民投资房地产业的热情高涨，跟风思想　严重，导致市场价格虚高，我国房地产市场波动与发达国　家成熟的市场价格波动特性存在差异。　四、结论　Ｃｈｉｎａ　０．００４１　１　”　ｌ－２６Ｅ－０６　ＵＳＡ　Ｏ．ｏ０３５６ｌ　（Ｏ　仪　－ｆ０．１　ｌ０４１　１．０７Ｅ一０６　一５．２７Ｅ一０２”　０．１．５８６６　０．４０７４３９　１．房地产市场存在“波动聚集性”。美国和中国的房　『０４９８２１　．３５５ｌ９ｌ　Ｂ　Ｌ０ｇ　ｌｉｋｅｌｉｈｏｏｄ　ＡＩＣ　ＳＣ　０，３０７９５３　８９０．７８８　－７．５ｌ３０９　－７．３９５３１７　０，７９７０９７　９６８．０５８　－８．６１８３５５　—８．５ｌ２４０３　地产市场的波动不能完全通过ＡＲＭＡ效应来反应，且两　国的房地产收益序列具有ａｒｃｈ效应。因此，本文认为房　地产与其它金融商品具有某些相同的特征．即表现为“波　动聚集性”。　ＡＲＣＨ（Ｉ）检验　０．０００２０５　『０．９８８６１　０．６５５８９１　『０．４ｌ８１　在１％检验的水平下显着．　表示在检验５％Ｎ水平下显　着，　表示在检验ｌ０％的水平下显着，【】内为Ｐ值。　２．房地产市场收益的方差具有较差的稳定性。造成　这种情况的因素是比较复杂的，但其中重（下转第３０页）　Ｉ；－南　浓２０１１年第４期　地制宜地在区域性的产业结构中寻找自己的位置．通过　主的制度建设转化为法规制度建设。具体到泛珠地区产　业合作和发展方面的协作立法而言，各省市的立法主体　可以采取共同起草、征询意见以及事后协调等三种模式　来推进区域间的产业合作。■　参考文献：　『１１武汉市经济研究所课题组，沈金华．建设产业整合中　对各地内部资金、技术、资源和市场需求等因素进行比较　分析，统筹本省市内部与外部的产业发展趋势，合理选择　区域增长点，发展特色产品和优势产业，从而改变当前的　重复建设和产业趋同的现象［３１。　（三）建立“泛珠”三角区域地方立法协调机制，推进　区域合作法制化进程　建立“泛珠”三角区域地方立法协调机制，将行政协　议规范中比较成熟的社会关系上升为区域内各省市具　有法律执行力的地方性法规和政府规章。“泛珠”三角区　—心推进武汉两型产业发展［Ｊ］．学习与实践，２００９（７）．　『２１范剑勇．市场一体化、地区专业化与产业集聚趋势　—兼谈对地区差距的影响ｆＪ］．中国社会科学，２００４（６）．　ｆ３１刘满平．泛珠江区域产业梯度分析及产业转移机制　域立法协调机制的建设可以借鉴《东北三省政府立法协　作框架协议》，逐步将泛珠三角区域首长联席会的会议成　果、协议成果转化为法律成果，将泛珠三角区域以协议为　构建『Ｊ１．经济理论与经济管理，２００４（１１）．　（上接第２２页）要的一点是，房地产并不仅仅具有金融商　品的属性，它同时还具有普通消费品的属性，这就决定了　房地产的价格走势不仅与投资需求本身有关，还与巨大　的消费需求有关，而其他金融产品则不具备这样的特性。　３．与美国相对成熟的房地产市场相比，我国的房地　参考文献：　【１］Ｂｏｌｌｅｒｓｌｅｖ，Ｔ．Ｇｅｎｅｒａｌｉｚｅｄ　Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　Ｃｏｎｄｉｔｉｏｎａｌ　Ｈｅ＿　ｔｅｒｏｓｋｅｄａｓｔｉｃｉｔｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｃｏｎｏｍｅｔｒｉｃｓ，１９８６（３　１）：３０７－３２７．　ｆ２１陈浪南，黄杰鲲．中国股票市场波动非对称性的实证　Ｊ１．金融研究，２００２（５）：６７—７３．　产市场缺乏杠杆效应。一方面。我国的房地产市场的机　研究ｆ制还并不成熟，房地产市场的投资者所做出的投资策略　并不是基于有效信息来进行的；另一方面，我国的房地产　市场的运行机制还不健全，与房地产投资相关的金融产　『３１宋逢明，江婕．中国股票市场波动性特性的实证研究　［Ｊ］．金融研究，２００３（４）：１３—２２．　［４】惠晓峰，柳鸿生，胡伟，何丹青．基于时间序列ＧＡＲＣＨ　模型的人民币汇率预测ｆＪ］．金融研究，２００３（５）：９９—１０５．　［５］迟国泰，余方平，李洪江，刘轶芳，王玉刚．单个期货合约　市场风险ＶａＲ—ＧＡＲＣＨ评估模型及其应用研究　．大连理工　品还不够丰富有关，房地产投资的进入门槛很高。　４．我国房地产市场缺乏杠杆效应效的研究结果与黄　忠华等（２００８）所得出的结论恰好相反。本文认为，我国的　房地产市场的杠杆效应可能存在于短时期的个别地区上。　从长期看，在全国的范围内，我国的房地产市场要做到有　效率还尚需时日　全国统一的房地产政策还不能对宏观的　房地产市场走势造成的影响并不能产生杠杆效应。　从以上结论可看　。房地产市场是一个充满了风险　的市场。因此．完善我国房地产市场的运行机制、控制我　大学学报，２００６（１）：１２７—１３３．　［６】杨楠．ＶａＲ方法在房地产收益波动性度量中的应用【ＪＪ．　中央财经大学学报，２００６（４）：６９—７４．　『７１屠佳华，张洁．什么推动了房价的上涨：来自上海房地　产市场的－ｈｚ￣［ｊ］．世界经济，２００５（５）：２８—３８．　［８】黄忠华，吴次芳，杜雪君．基于ＧＡＲＣＨ模型簇的上海　房价分析　技术经济，２００８（５）：５７—６２．　１９］Ｅｎｇｅｌ　Ｒ　Ｆ．Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ｃｏｎｄｉｔｉｏｎａｌ　ｈｅｔｅｒｏｅｄａｓｔｉｃｉｔｙ　ｗｉｔｈ　ｅｓｔｉｍａｔｅｓ　ｏｆ　ｔｈｅ　ｖａｒｉａｎｃｅ　ｏｆ　Ｕ．Ｋ　ｉｎｆｌａｔｉｏｎ『Ｊ］．Ｅｃｏｎｏｍｅｔｒｉ—　国房地产市场的风险是目前我国规范房地产市场的当务　之急。与发达国家的房地产市场相比，我国的房地产市　场的改革与发展还有很长的路要走。■　ｃａ．１９８２（５ｏ１：９８７—１００７．