住房价格及其与住房抵押贷款关系研究 申晓峰.docVIP

住房价格及其与住房抵押贷款关系研究 申晓峰??【摘要】：?近年来中国房价持续上涨,2006年1季度与1999年1季度相比,全国平均房价上涨了42.93%,是同期CPI涨幅的5.6倍。在房价高涨的同时,个人住房抵押贷款也急速上涨,截止2005年底,全国个人住房抵押贷款余额1.84万亿,是1999年初的43倍。住房作为人类生活的必需品和居民财富的重要组成部分,近年来急涨的房价引起了政府重视,群众关心和社会关注。经济学家和政策制定者面临如下无法回避的问题:(1)中国住房价格的变动规律是什么?(2)房价与住房抵押贷款同步高涨,到底二者之间关系如何,是否存在因果关系,如果存在因果关系,那么孰为因?孰为果?对以上问题的回答关系居民购房决策,关系对住房抵押贷款风险的判断,关系住房金融政策的制定。而要正确回答以上问题,必须建立在对中国住房价格运动规律及其与住房抵押贷款关系的科学认识的基础上。 本文从分析我国住房价格时间序列特征入手,研究住房价格的运动规律,在此基础上,运用泛化回归神经网络(GRNN)方法建立住房价格预测模型,并运用变参数协整、多变量协整以及误差修正模型,对住房价格与住房抵押贷款的关系进行了深入系统的研究。 本文主要的研究工作及由此形成的结论包括以下六个方面: (一)分析了选题的背景和意义,综述了国内外有关住房价格预测、住房价格与其影响因素关系研究已有文献,总结了现有文献主要研究成果和经验,分析了目前我国住房价格及其影响因素关系研究中存在的问题,指出了可行的研究方向。 (二)运用J-B检验、自相关函数、以及ADF和PP检验对我国住房价格时间序列的正态性、自相关性和稳定性等进行了系统研究,研究结果发现:我国住房价格时间序列呈右偏和尖峰的分布特征,呈现高度的自相关性和微弱的均值回复性,并且正自相关系数持续期很长,负相关系数在很长滞后期出现,住房价格时间序列有长记忆性特点。住房价格时间序列是非平稳序列,而住房价格一阶差分序列平稳,因此住房价格时间序列是一阶单整序列。当滞后期一定长(≥9个月),北京和上海两地住房价格变化互为Granger因果关系,说明两地住房价格存在相同的影响因素。我国住房价格时间序列有显著的自相关性,说明住房价格时间序列的前后数据之间有依存关系,可以利用过去及当前的住房价格对未来的住房价格作出预测,也说明了在住房价格预测中技术分析是可行的。 (三)回顾了国内外关于住房市场有效性研究文献,借鉴国外住房市场弱式有效性游程检验方法,对北京和上海两地住房市场的有效性进行检验,发现上海住房市场拒绝有效市场假设,而北京住房市场接受弱式有效市场假设。在关于住房价格时间序列特征分析中,北京住房价格与上海住房价格一样呈现显著的自相关性。在资本市场上,证券价格的自相关性可以用资本市场无效解释。但是在住房市场上,实证结果发现仅靠有效市场理论无法对住房价格自相关性作出合理的解释。因为住房市场不同于证券市场,所以对住房市场的研究不能完全照搬对资本市场的研究方法。对住房市场而言,即使是一个有效的市场,由于住房市场本身的特殊性,住房供给滞后调整、住房市场上非理性预期、住房融资的首付款约束等都可能引起住房价格调整时滞。 (四)根据住房价格时间序列一阶单整的特性和自相关性,以上海为例,建立了住房价格预测的ARIMA模型,并利用该模型进行了预测,发现ARIMA模型对上海住房价格预测的精度不高,解释能力不强。鉴于ARIMA模型预测能力上的局限性,本文将泛化回归神经网络方法(GRNN)用于住房价格预测,GRNN网络的高度非线性映射能力和快速运算能力,比较适合复杂系统的仿真。通过GRNN网络预测结果和ARIMA模型预测结果的对比分析,发现GRNN网络方法预测相对误差为0.37%,而ARIMA预测的相对误差为1.96%,说明经过大量样本反复训练的GRNN网络较好地仿真了上海住房价格的行为模式,GRNN模型比ARIMA模型更适合于上海住房价格预测。当然,以上结论仅是从对上海住房价格预测对比中得到的,GRNN网络预测方法是否适合于我国其他地区的住房价格预测还有待于进一步验证。ARIMA模型方法和GRNN模型方法本身并没有优劣之分,选择什么样的模型主要取决于所要研究的系统特征。符合住房价格时间序列数据生成系统特征的模型,能反映住房价格的行为模式,预测能力就强。相反,不符合住房价格时间序列数据生成系统特征的模型,即使再先进、再复杂,在房价预测上效果也不一定好。 (五)以上海为例对我国住房住房价格与住房抵押贷款及其组成之间的关系进行研究。第一步:假定住房价格与住房抵押贷款之间的数量关系不随时间变化,运用1996年8月～2006年8月的统计资料进行实证研究,发现住房价格与住房抵押贷款及其组成部分之间不存在长期协整关系。第二步:运用标准Granger因果检验对住房价格与住房