基于PCA的中国房地产泡沫指数研究及风险趋势预测.docx

?

?

基于PCA的中国房地产泡沫指数研究及风险趋势预测

?

?

【摘要】本文根据近年中国100个大中城市的经济、人口、市场、金融数据，以国内100个热点城市房地产发展现状为基础，建立多元统计主成分模型（PrincipalComponentAnalysis，PCA），对当前房地产泡沫进行量化研究，预测未来房地产泡沫指数及发展趋势，为国家宏观顶层设计及政策调控提供市场依据。

【关键词】房地产泡沫指数;PCA;房地产市场

房地产泡沫是由房地产投机引起的市场价格与使用价值严重背离，脱离了实际使用者支撑而持续上涨的过程及状态，中国房地产泡沫指数的分析预测对宏观政策调控决策及顶层架构设计具有重要的参考意义，能为中国房地产的稳健发展和产业规划提供参数保障，通过构建房地产泡沫指数模型，来准确预测未来房地产发展趋势及潜在的风险程度，对建立健全中国房地产城市风险及金融风险预警名单有非常重要的理论和实践意义。

1、房地产泡沫指数量化研究

1.1泡沫预测基础数据

房地产泡沫指数从城市房地产发展环境、区域市场状况、产业及人口聚集特点的总体层面来观测各城市房地产运行状况，并从城市人口、产业经济、市场特征和金融信贷等四个方面度量各城市房地产泡沫程度的总体水平，指标体系如下图表所示。

1.2数据采集及校验

基础研究数据采集范围包括国家统计局近年发布的各城市统

计公报、地方国土及建设局发布的土地招拍挂数据、中国人民银行汇集各类金融机构信贷公开数据、中介机构二手住房租金及售价数据。

1.3泡沫指标选择

房地产泡沫指数是构成城市房地产金融风险评级的重要指标。需要明确有哪些客观因素会催生房地产泡沫：第一，支撑房价上涨、市场规模扩大的基础是城市人口与产业经济两大因素;第二，当房地产投资、市场供給、人口需求与经济发展产生的内在需求相协调时，才能形成房价合理上涨、市场规模有效扩大，具有投资价值且稳定有序的房地产市场;第三，从城市人口、经济、市场和金融等四个方面考虑影响房地产的客观因素，建立多元回归模型，进行房地产泡沫指数构建。

从房地产泡沫角度来看，可用来衡量城市房地产风险程度，例如房地产投资占固定资产投资比重，住宅、商业、写字楼等新增物业的去化周期，二手住宅房价收入比，二手住宅租售比等都是反映房地产泡沫程度的指标。泡沫越高、城市房地产的稳健性越差。因此，通过构建计量统计模型，对泡沫指标进行解释，以求获得各城市房地产泡沫程度。

1.4多元统计主成分分析法

主成分分析模型一种“降维”的统计方法，用几个综合性指标或者变量来反映众多指标涵盖的信息，并且这些综合指标信息提取量要尽可能大（如不低于85%）。

主成分模型是通过各个原始指标的线性组合Fi的方差来表示主成分的信息，即VAR（Fi）越大，则表示主成分{Fi}序列上的信息量越大，则将{Fi}序列成为第一主成分{Fi}，同样可以排序出第二主成分{F2}。为了有效地反映原有信息，我们希望选取的主成分不要存在信息重叠的现象，即要求两个主成分的不相关。

假设对房地产企业风险的评估体系中有P个影响指标（变量），分别为X1，X2，…，XP，这P个指标（变量）就构成了一个P维的随机向量。记：

并设随机向量X的均值为，协方差阵为。对P个指标（变量）X1，X2，…，XP作线性变换：

其中，F1、F2，…FP为p个主成分，并且Van（F1）≥Van（F2）≥…Van（FP）≥0。

定义，表示第m个主成分对应相关矩阵的特征值，第m个主成分的贡献率。实际上就是第m个主成分的方差在全部方差中所占的比重，该值越大，表明第m个主成分综合X1，X2，…，XP的信息就越多，前个主成分的累计贡献率定义为。

一般地如果前m个主成分的累计贡献率达到了较高水平，例如85%以上，则表明前m个主成分基本涵盖了全部观察变量或指标所包含的信息。

主成分模型的计算过程如下：

（1）假设我们观测了n个对象。

记第i个观测对象p个指标的观测值分别为：，则所有n个对象p个指标的观测值可以表示成以下矩阵形式：

其中，n为观察对象数，p为指标或变量数。

（2）对原始数据进行标准化处理，处理方法是：

式中，标准化处理后，变量或指标的方差为1，均值为0。

（3）设观察值构成的相关系数矩阵为：

经标准化处理后的数据的相关系数为：

（4）对矩阵R求特征方程的p个非负的特征值1，2，…，p。对应于特征值$i$的特征向量为：

（5）求主成分。由特征向量生成的p个主成分为：

由于属于不同特征值的特征向量是相互正交的，所以主成分F1，F2，…Fp，之间相互无关，这就解决了Xi，i=1，2，…p可能存在的共线性问题。Fi的方差即i，其方差是递减的。

（6）选择m（mp）个主分量。p

如果前面m个主成分F1，F2，…，Fm的方差之和占全部总方差的比例接