樓市政策對房地產(chǎn)板塊股票價格沖擊分析

1、樓市政策對房地產(chǎn)板塊股票價格沖擊分析一、 引言美國2008年發(fā)生的次貸危機表明房地產(chǎn)市場和股票市場已經(jīng)高度融合，對這兩者之間關系的具體研究，Summer（1981）通過對美國可支配收入、通貨膨脹率、股票價格、住宅需求與住宅價格等關系進行研究，發(fā)現(xiàn)通貨膨脹將增加自住房地產(chǎn)價值，降低股票市場價值，從而對投資決策產(chǎn)生影響。Okunev 和 Wilson（1997）對美國房地產(chǎn)市場和股票市場進行非線性回歸，發(fā)現(xiàn)房地產(chǎn)市場與股票市場存在著非線性關系，但是不顯著。Davie 和 Naranjo（1999）采用非線性回歸研究分析，發(fā)現(xiàn)美國商業(yè)房地產(chǎn)與股票市場相互融合，尤其是在20世紀90年代，兩者相互影響的

2、程度更加明顯。隨著房地產(chǎn)市場與股票市場關系日益緊密，房地產(chǎn)價格波動將誘發(fā)股票市場不穩(wěn)定性因素增加，從而引發(fā)宏觀經(jīng)濟的不穩(wěn)定。隨著我國金融體制改革的深入與房地產(chǎn)業(yè)的發(fā)展，我國房地產(chǎn)業(yè)在國民經(jīng)濟和金融市場中發(fā)揮著越來越重要的影響。自從2008年金融危機以來，我國股票市場指數(shù)大幅下滑，經(jīng)過證監(jiān)會對金融市場的調(diào)控，股市趨向于理性，實體經(jīng)濟的發(fā)展變化越來越明顯地反映到股票市場中，房地產(chǎn)宏觀調(diào)控成為影響股票市場波動的重要因素，選擇合適的房地產(chǎn)調(diào)控政策指標對于減少政策對股市沖擊具有重要意義。 研究近幾年北京市房地產(chǎn)宏觀調(diào)控政策使用情況,特別是2004年以來，城市土地問題得到重視, 土地政策成為宏觀調(diào)控的重要

3、手段。本文主要對北京市房地產(chǎn)投資、新建住宅面積、銷售價格從定量的角度進行實證分析, 從而得到北京市樓市政策對房地產(chǎn)板塊股票價格影響的時滯、持續(xù)時間及作用強度, 為北京政府制定宏觀調(diào)控政策提供參考。二、 計量方法和模型本文首先利用ADF單位根檢驗法對時間序列行平穩(wěn)性檢驗，然后通過建立VAR模型利用脈沖響應 函數(shù)、方差分解方法分析各因素北京房地產(chǎn)板塊股票價格的影響及影響程度。（一）、時間序列平穩(wěn)性檢驗平穩(wěn)性假設是進行時間序列分析的基礎，隨機過程具有平穩(wěn)性對于時間序列預測來說十分重要，只有滿足平穩(wěn)性的假設才能保證了隨機過程的結構不會隨時間變化，才能進行準確的預測。當經(jīng)濟出現(xiàn)突發(fā)性震蕩后，受到?jīng)_擊的經(jīng)

4、濟變量若呈現(xiàn)隨機游走狀態(tài)，用OLS進行回歸將導致“虛假回歸”，為了避免數(shù)據(jù)模型估計中存在的虛假回歸問題，需要先對變量進行平穩(wěn)性檢驗。寬平穩(wěn)隨機過程簡稱為平穩(wěn)隨機過程，具有下列性質(zhì)：(1) E(yt)=常數(shù) (對所有t) （2.1.1）(2) Vyt=y2=常數(shù) (對所有t) （2.1.2）(3) COVyt,yt+k=Eyt-yt+k-=rk （2.1.3）其中rk與yt和yt+k相隔的時期數(shù)有關，與時間點t無關（對所有t和k）。（二）、ADF單位根檢驗單位根檢驗是平穩(wěn)性檢驗的常用方法，ADF檢驗(Augmented Dickey Fuller Test)是Dickey和Fuller提出的擴展

5、的DF檢驗法，即用傳統(tǒng)方法計算出參數(shù)的T統(tǒng)計量并與ADF分布臨界值表比較。通常用如下形式的ADF回歸式作單位根檢驗：yt=+t+yt-1+i=1kiyt-i+vt （2.2.1）其中：=-1，k為滯后項數(shù)。方程中加入k個滯后項以保證殘差項為白噪聲。數(shù)k的選取采用Schwartz準則，k的最大值為12(T100)1/4，其中T為觀測值的個數(shù)，x表示取x的最大整數(shù)部分。對（2.2.1）式進行OLS估計，然后計算統(tǒng)計量T=V()。假設檢驗H0:=0；H1:<0。若T>，則接受原假設H0，即yt非平穩(wěn)；若T<,則拒絕原假設H0，即yt為平穩(wěn)序列。其中為DF分布表的臨界值。（三）、VA

6、R模型VAR模型常用于預測相關時間序列系統(tǒng)以及分析隨機擾動對變量系統(tǒng)的動態(tài)影響，使用模型中的當期變量對其他變量的若干滯后變量進行回歸，從而解釋各種經(jīng)濟沖擊對經(jīng)濟變量形成的影響，是一種非結構化的多方程模型，優(yōu)點在于它而不需要對模型中政策變量的內(nèi)生性和外生性做事先假定，不需要結構化模型，近似地描述了變量間的互動關系，其核心思想即不考慮經(jīng)濟理論，直接考慮時間序列各經(jīng)濟變量之間的關系。向量自回歸模型可以用來預測相關聯(lián)的經(jīng)濟時間序列，并分析隨機擾動項對變量系統(tǒng)的動態(tài)沖擊，解釋經(jīng)濟沖擊對經(jīng)濟變量產(chǎn)生的影響。當各變量均為平穩(wěn)序列時，可以構造VAR模型。設滯后階數(shù)為p，則VAR模型表達式為：yt=A1yt-1

7、+A2yt-2+Apyt-p+Bxt+t其中，yt為k維內(nèi)生變量向量；xt為d維外生變量向量；t是k維誤差向量A1，A2，Ap，B是待估系數(shù)矩陣。三、 實證分析（一）數(shù)據(jù)選取與處理（1）房地產(chǎn)市場是商品房交換流通的場，房地產(chǎn)的供需狀況表現(xiàn)在投資額、新建數(shù)量、銷售價格等多種因素上，為體現(xiàn)政府宏觀調(diào)控利用行政手段調(diào)控樓市的效果，同時考慮房地產(chǎn)市場的發(fā)展狀況，本文選取北京市的商品房開發(fā)投資完成額（TZ）、商品房新開工面積(MJ)、新建商品住宅銷售價格指數(shù)(JG)三個指標進行實證分析。其中當期商品房開發(fā)投資完成額的變化可以反映政府對房地產(chǎn)建設項目審批政策的松緊程度，商品房新開工面積的變化體現(xiàn)了政府城市

8、土地政策的變化，商品房銷售價格則體現(xiàn)了市場的供需變化情況。本文研究數(shù)據(jù)的時間為從2008年5月到2014年3月的各月數(shù)據(jù)，這些數(shù)據(jù)來都源于國家統(tǒng)計局官方網(wǎng)站并經(jīng)過整理計算而來。由于我國房地產(chǎn)投資完成額、新開工面積是采用的月度累計數(shù)據(jù)，所以本文對其進行轉(zhuǎn)化，整理為月度當期數(shù)據(jù)。之所以從2008年開始是因為經(jīng)歷了2008年的國際經(jīng)濟危機，我國股市逐漸走向理性成熟，股價沒有大幅度的波動，股票數(shù)據(jù)具有一定的統(tǒng)計預測意義，這樣保證了數(shù)據(jù)的完整性又不失時效性。（2）股票市場行情主要體現(xiàn)在股價的波動上，為體現(xiàn)北京房地產(chǎn)板塊的股市行情，本文選取主要業(yè)務在北京的房地產(chǎn)上市公司股票：綿世股份（000609）、大龍

9、地產(chǎn)（600159）、萬通地產(chǎn)（600159）、XD首開股（600376）、京能置業(yè)（600791）、中房股份（600890）、北辰實業(yè)（601588）、北京城建（600266），為體現(xiàn)市場影響的股價波動，本文選取的股價為除權后的月度收盤價。股票價格數(shù)據(jù)信息來源于民族證券大智慧專業(yè)版軟件。為減少個別公司因素對股價波動的影響，體現(xiàn)整個北京房地產(chǎn)板塊股市的波動，以各股票A股市場流通股的數(shù)量為權重，取股價的加權平均價格(GJ)為研究對象。本文數(shù)據(jù)處理部分采用eviews6.0計量經(jīng)濟軟件進行計算和分析。（二）、數(shù)字特征分析各數(shù)據(jù)的發(fā)展趨勢和特征表現(xiàn)如圖1-1到圖1-4所示。如圖所示，投資額、新開工面

10、積、新建住宅價格、平均股價水平的波動具有較強的相關性。圖1-4：房地產(chǎn)投資額、新開工面積、銷售價格指數(shù)、股票價格數(shù)字特征TZMJJGGJ Mean 259.9974 282.1668 100.5892 5.231692 Median 255.4200 283.7300 100.3000 4.980000 Maximum 619.3000 659.6000 104.5000 9.030000 Minimum 68.66000&#

11、160;66.31000 98.90000 2.520000 Std. Dev. 89.98209 123.0866 0.976941 1.342164 Skewness 0.676051 0.672520 1.722869 0.825537 Kurtosis 5.390609 3.587028 6.451009 3.524121 Jarque-Bera 20.42948 5.833027

12、0;64.41114 8.127020 Probability 0.000037 0.054122 0.000000 0.017189 Sum 16899.83 18340.84 6538.300 340.0600 Sum Sq. Dev. 518193.7 969620.4 61.08246 115.2899 Observations 65 65 65 65構造計量模型之前要對時間序列

13、進行平穩(wěn)性檢驗。檢查序列平穩(wěn)性通常采用單位根檢驗, 只要序列不存在單位根就是平穩(wěn)的。本文利用 ADF ( Augmented Dickey-Fuller Test) 方法進行檢驗, 具體檢驗如表 2-1 所示。，應用EViews軟件分別對模型參數(shù)TZ、MJ、JG、GJ進行ADF檢驗。為了消除異方差影響,將投資額數(shù)據(jù)取對數(shù)表示為lnTZ，將新建住宅面積取對數(shù)表示為lnMJ。表2-1 單位根檢驗結果變量檢驗類型(c,t,d)ADF統(tǒng)計量T值P值臨界值（5%）檢驗結果TZ(c,t,1)-3.3290170.0716-3.487845接受原假設H0，不平穩(wěn)lntz(c,t,1)-3.6348180.0

14、078-2.911730拒絕原假設H0，平穩(wěn)MJ(c,t,1)-6.1970890.0000-3.475305拒絕原假設H0，平穩(wěn)lnMJ(c,t,1)-6.0043040.0000-3.475305拒絕原假設H0，平穩(wěn)JG(c,t,2)-4.9732760.0000-3.478305拒絕原假設H0，平穩(wěn)GJ(c,t,1)-2.8762260.1765-3.475305接受原假設H0，不平穩(wěn)dGJ(c,t,1)-5.6505730.0001-3.477275拒絕原假設H0，平穩(wěn)注: dGJ代表GJ的一階差分; ( c, t, 1)中t代表時間趨勢項, c代表截距, 1代表一階滯后。從表2-1可

15、以看出平均股票價格GJ時間序列在95%的概率下都是非平穩(wěn)的，而它的一階差分DGJ在99%的概率下都是平穩(wěn)時間序列，即為一階單整的時間序列。房地產(chǎn)投資額的對視lnTZ、新建住房面積的對數(shù)lnMJ、新建住宅銷售價格指數(shù)兩個時間序列在95%概率下都是平穩(wěn)時間序列。由于VAR模型要求進入該系統(tǒng)的內(nèi)生變量都是平穩(wěn)的時間序列，因此將房地產(chǎn)投資額的對數(shù)lnTZ、新建住宅面積的對數(shù)lnMJ、新建住宅銷售價格JG、平均股票價格時間序列的一階差分dGJ一同進入向量自回歸模型。（三）、建立向量自回歸模型（VAR模型）1、確定滯后階數(shù)。本文采用AIC(Akaike Information Criterion)和SC(

16、Schwarz Criterion)信息準則確定滯后階數(shù)，當AIC和SC的最小值對應不同的滯后階數(shù)值時，用LR極大似然值進行判斷。滯后準準則結果見表3-1，根據(jù)模型滯后期的選取標準，AIC、SC最小值對應不同滯后階數(shù)，根據(jù)LR標準，選取四階的VAR模型最為合理。表3-1 VAR滯后期的確定 LagLogLLRFPEAICSCHQ0-223.6981NA  0.014466 7.115565 7.250495 7.1687201-164.0182 110.0348 0.003699 5.750568

17、0; 6.425219*  6.016347*2-149.0140 25.78848 0.003840 5.781687 6.996059 6.2600893-131.7904 27.45006 0.003753 5.743450 7.497543 6.4344764-106.1262  37.69424*  0.002857* 5.441445 7.735259 6.3450945-89.221

18、45 22.71583 0.002916  5.413170* 8.246704 6.5294426-74.88419 17.47353 0.003309 5.465131 8.838386 6.794026注：表中的檢驗都是基于5%的顯著性水平，*表示根據(jù)所在標準選擇的最優(yōu)滯后階數(shù)。五個滯后準則分別是：5%顯著性水平下序列調(diào)整的LR檢驗統(tǒng)計量、最后預測誤差FPE、赤池信息量準則AIC、施瓦茨信息量準則SC、漢南奎因信息量準則HQ。2、模型估計結果。根據(jù)確定的滯后期，建立平均股票價格的

19、VAR(4)模型，并得到參數(shù)的估計值和方程的擬合情況。把DGJ的估計結果寫成方程形式為：DGJ = - 0.651895847615*LNTZ(-1) + 0.274990297412*LNTZ(-2) + 0.0404731694572*LNTZ(-3) - 0.0127442403102*LNTZ(-4) + 0.309502508487*LNMJ(-1) - 0.426610347581*LNMJ(-2) + 0.161975307337*LNMJ(-3) - 0.251362997141*LNMJ(-4) - 0.374876493696*JG(-1) + 0.137694829286

20、*JG(-2) + 0.141235235386*JG(-3) - 0.121840124418*JG(-4) - 0.0901015999743*DGJ(-1) + 0.0943882376859*DGJ(-2) + 0.00164987137537*DGJ(-3) + 0.229164950555*DGJ(-4) + 24.959738762表3-2 VAR模型各方程檢驗結果LNTZLNMJJGDGJ R-squared 0.267846 0.276006 0.853922 0.437271 Adj. R-squared 

21、;0.028775 0.039599 0.806223 0.253522 Sum sq. resids 10.52526 13.78123 9.696286 15.91659 S.E. equation 0.463467 0.530330 0.444841 0.569937 F-statistic 1.120361 1.167506 17.90236 2.379726 Log likelihood-33.0

22、6602-41.96049-30.35885-46.71428 Akaike AIC 1.517152 1.786681 1.435117 1.930736 Schwarz SC 2.081154 2.350683 1.999119 2.494738 Mean dependent 5.427280 5.449038 100.6606 0.015606 S.D. dependent 0.470282 0.541153&

23、#160;1.010541 0.659658在表3-2中，第四列表示上述方程的檢驗統(tǒng)計量的值，表示決定性殘差協(xié)方差、對數(shù)似然函數(shù)值、AIC和SC信息量。（四）、脈沖響應函數(shù)在實際應用中，由于VAR模型是一種理論性的模型，用它來做樣本外近期預測非常精確，但如果用它做樣本外長期預測則只能預測出變動趨勢，而且對短期波動的預測卻不理想。另外對VAR模型中的單個參數(shù)估計值進行經(jīng)濟解釋是困難的，因此在使用VAR模型時，通常不分析一變量對另一變量的影響，而分析誤差項發(fā)生變化，或者說模型受到的某種外在沖擊對系統(tǒng)的動態(tài)影響，這種方法稱為脈沖響應函數(shù)方法(impulse response functio

24、n, IRF)。通過脈沖響應分析可以了解變量受到?jīng)_擊后對北京房地產(chǎn)板塊平均股票價格的短期影響，和滯后一定期間的影響程度。（1）、單位圓檢驗。在做脈沖響應函數(shù)分析前，需要檢驗VAR模型的穩(wěn)定性。經(jīng)檢驗發(fā)現(xiàn)，VAR模型估計的所有根模的倒數(shù)都小于1，即都在單位圓內(nèi)（如圖4-1），這表明其VAR模型是穩(wěn)定的。圖4-1： 穩(wěn)定性單位圓分析（2）脈沖響應圖分析。圖4-2為平均股票價格對各因素的脈沖響應圖，橫軸為滯后期，滯后期為20期，縱軸為變量對沖擊的響應程度。其中圖4-2中的實線表示響應函數(shù)，虛線表示圍繞響應函數(shù)的兩個標準差的置信區(qū)間?？梢钥闯龉善逼骄鶅r格(DGJ)對房地產(chǎn)開發(fā)投資完成額(LNTZ)和新

25、建商品住宅銷售價格指數(shù)沖擊的響應滯后期為兩期，穩(wěn)定期為四期。股票價格受投資額(LNTZ)的沖擊，會產(chǎn)生負向影響，隨著時間推移，這種影響逐漸減少直至消失。股票價格受新建住宅價格(JG)的沖擊會產(chǎn)生正反饋效應，說明交易各方對市場波動的判斷加大，持倉量會有所增加，但很快，價格沖擊產(chǎn)生的負反饋效應更占據(jù)主導地位，即一期以后新建住房價格對股票價格起正向反饋推動作用，推動股票價格的波動。股票價格對新建住宅面積沖擊的響應滯后期約為三期，考察期的前兩期，新建住宅面積的變動對于股票價格變動產(chǎn)生正向影響，從第三期開始變?yōu)樨摲答佇?，并在隨后的幾個時期內(nèi)的波動逐漸收斂。圖4-2：平均股票價格對各因素的脈沖響應分析（

26、五）、方差分解方差分解（Variance decomposition）是將系統(tǒng)的均方差誤差（mean square error）分解成各變量沖擊所做的貢獻，從而評價各變量沖擊的重要性。方差分解是分析預測殘差的標準差由不同信息的沖擊影響大比例，亦即對應內(nèi)生變量對標準差的貢獻比例。采用Cholesky正交化處理消除殘差項之間的同期相關和序列相關后，對所建立的VAR(4)模型進行方差分解分析，進一步通過方差分解考察各變量對房地產(chǎn)板塊股票價格預測誤差變動的貢獻（見表5-1）。表5-1 各因素對房地產(chǎn)板塊股票價格方差分解的貢獻度（%）PeriodS.E.LNTZLNMJJGDGJ10.4634670.7

27、819060.6346873.24202795.3413820.5031975.7648223.29962610.4985380.4370330.5086877.0544138.17637211.0011673.7680540.5138257.6015728.23737910.9254573.2356050.5156957.6037298.21386411.5407272.6416960.5222898.5568558.05642315.4778667.9088670.5255228.3563367.79783016.9613566.8844880.5307148.7833937.754069

28、16.7955166.6670390.5320088.7518347.75258016.7634766.73212100.5329188.7320938.23064417.4429465.59432110.5337798.5935038.13899917.8479165.41959120.5353438.7789868.10920417.7422365.36958130.5366988.8375108.15044717.7560965.25596140.5375888.8123578.26626017.8465865.07480150.5382428.7960498.27651317.9633

29、764.96407160.5386948.9422828.24675117.8947664.91621170.5390079.0223238.23943117.9050464.83321180.5392659.0253408.27362617.9038364.79720190.5395629.0302948.27441017.9064064.78890200.5396729.0681808.26702017.8930264.77178從表5-1中觀察到，新建商品住宅銷售價格（JG）對房地產(chǎn)板塊股票價格波動的貢獻程度較大，達到17%左右，房地產(chǎn)投資額對股價波動的貢獻次之，新建住宅面積對房地產(chǎn)股票價格波動的貢獻最小，二者加