文章快速检索     高级检索
  南方经济  2019, Vol. 38 Issue (4): 106-128     DOI: 10.19592/j.cnki.scje.360918
0

引用本文 

宋丹丹, 张东, 尹齐炜, 何富美. 网络新闻、需求者关注与房价——基于时变参数向量自回归模型的研究[J]. 南方经济, 2019, 38(4): 106-128.
Song Dandan, Zhang Dong, Yin Qiwei, He Fumei. Internet News, Demanders' Attention, and Housing prices: A Study based on TVP-VAR Model[J]. South China Journal of Economics, 2019, 38(4): 106-128.

基金项目

本文得到安徽省人文社科重点项目"经济政策波动对企业创新非线性时变冲击效应理论与经济研究"(sk2018A0524)及安徽省社科联创新公关项目"中美贸易摩擦影响了中国去杠杆的进程吗"(2018CX043)的资助

作者简介

宋丹丹, 中南财经政法大学金融学院, E-mail:sdd0511@foxmail.com, 通讯地址:湖北省武汉市南湖大道182号中南财经政法大学南湖校区环湖12栋, 邮编:430073;
张东, 中南财经政法大学房地产研究所, E-mail:kmzhangdong@sina.com;
尹齐炜, 中南财经政法大学金融学院, E-mail:13207197429@163.com;
何富美, 中南财经政法大学金融学院、铜陵学院金融学院, E-mail:jackhcfumei@tlu.edu.cn
网络新闻、需求者关注与房价——基于时变参数向量自回归模型的研究
宋丹丹 , 张东 , 尹齐炜 , 何富美     
摘要:文章采用基于Linear-SVM的机器学习方法对百度新闻栏目57988篇的房地产市场新闻进行文本分析,构建出网络媒体净看多情绪变量和网络媒体关注度变量。并采用时变参数向量自回归模型(TVP-VAR)对媒体变量、住宅销售面积和房价之间的互动关系展开分析,得出如下结论:网媒房地产新闻的多空情绪变化基本能反映调控政策的阶段性特征。媒体报道对房地产市场冲击的响应相对稳定,时变效果不明显。媒体关注度对房地产市场的传导作用受到其构成成分和所处市场阶段的影响,其对房价的反向作用在紧缩调控放开后逐渐减小,并逐渐转为正向的提升作用,对住宅销售面积的反向作用在2015年后的市场高涨时期逐渐缩小,持续时间也在缩短。媒体情绪对房地产市场的传导作用受到调控政策和市场运行状况的叠加影响,其对房价的提升作用在2015年至2017年的房地产市场上行周期中有所扩大,对销售面积的提升作用则较为平稳。据此,文章提出应根据市场所处的阶段关注网媒发布信息的频度和情绪,加强舆情监测等建议。
关键词网络媒体情绪    住宅销售面积    房价    TVP-VAR模型    
Internet News, Demanders' Attention, and Housing prices: A Study based on TVP-VAR Model
Song Dandan , Zhang Dong , Yin Qiwei , He Fumei
Abstract: A relatively stable market expectation helps suppressing price fluctuations and ensuring smooth operation of market because of the 'self-fulfilling' function of expectation. It is also an important aspect of macro-control policy to implement effective expectation management of real estate market. As real estate market is a typical market with asymmetric and incomplete information, in order to make investment decisions, participants especially demanders need to obtain as much information as they can through various sources which mass media may be one of the most important channels. Nowadays, Internet media has become the main source people would obtain information from. Logically speaking, Internet news will affect demanders' mind and behavior as well as market performance.This paper aims to figure out the impact of Internet news on market performance through demanders' attention, using web crawler technology to collect real estate market news from Internet and constructing media sentiment variable based on machine learning process. We obtain 57988 real estate news from news column of Baidu (Baidu.com), one of the biggest Chinese search engines, covering the period from January 1st, 2010 to March 31st, 2018.Then we study the relationship between news, residential sales area and housing price employing the time-varying parameter vector autoregressive model (TVP-VAR model) based on periodic fluctuation characteristic of real estate market. TVP-VAR model can capture dynamic impulse responses among different variables considering time-varying characteristics of coefficients and error variances.The empirical results show that, real estate news reproduced online can reflect the phased characteristics of regulation policies. The response of the media to the shock of the real estate market is relatively stable. The negative effect of media attention on housing price gradually decreased after the lift of tightening regulation and gradually turned to be positive. The negative effect of media attention on residential sales area was gradually reduced in the post-2015 market upsurge period, and the duration was also shortened. The effects of media attention and media sentiment exerting on the real estate market are influenced by the regulation policies and the market operation conditions, which is time-varying. The effect of media net bullish sentiment on housing prices increased during the property market's upward cycle from 2015 to 2017. The positive effect of media net bullish sentiment on sales is relatively stable. The empirical results confirm that there are some connections between internet media variables and the housing market.This paper contributes to the literature in several ways. Firstly, this paper innovatively constructs media sentiment index by using web crawling massive real estate news and employing machine learning process to analyze textual sentiment based on Linear-SVM algorithm. Secondly, the paper studies the interactive time-varying relationship between internet media, residential sales area and housing price. Thirdly, the paper explores for the first time the impact of internet news sentiment on housing market performance. Fourthly, this paper can provide theoretical foundation and practice guidance for improving macro-control of the real estate market using internet media.
Keywords: Network Media Sentiment    TVP-VAR    Residential Sales Area    Housing Price    
一、引言

预期具有“自我实现”(self-fulfilling)功能,因此相对稳定的市场预期有助于平抑价格波动、保障市场平稳运行。对房地产市场实施有效的预期管理,也是我国房地产市场宏观调控政策的重要方面。房地产市场是典型的信息不对称市场,其市场预期的形成和变化,很大程度上依赖于参与主体获得的信息。作为需求主体同时又处于信息弱势的居民,往往将大众媒体作为获取信息的重要渠道。在这种情况下,作为信息提供方的媒体会发挥重要作用。现如今,网络媒体已然成为居民获取信息的重要途径之一。实践中,网络媒体房地产新闻报道所产生的媒体关注度和媒体情绪如何影响房地产市场?显然,对此疑问的有效解答,有助于我国政府利用网媒进行房地产市场预期管理,改善房地产市场的宏观调控。

改革开放以来,我国政府针对房地产市场出台了诸多政策。从2005年起,有关房地产市场调控政策的一系列文件中就有“加强舆论引导”、“积极营造良好的舆论氛围”、“稳定市场预期”、“坚持和强化舆论引导”、“加大主动宣传力度”或“加强市场监管和预期管理”等表述。在2018年5月19日发布的《住房城乡建设部关于进一步做好房地产市场调控工作有关问题的通知》和6月25日七部委联合发布的《关于在部分城市先行开展打击侵害群众利益违法违规行为治理房地产市场乱象专项行动的通知》中都提及要正面引导舆论,打击利用自媒体公众号等网络媒体炒作渲染房价上涨、散布虚假信息等行为,营造良好的舆论氛围,稳定市场预期。这些都表明政府在调控房地产市场时,对媒介作用的重视。

传统的资产定价理论基于“理性人”假定,但心理学的研究表明,人们在不确定条件下做出的决策,往往存在“非理性”的情况。实际上,股票、房地产等资产价格往往存在较大的波动性,来自基本面的分析往往不能解释全部的价格波动。“有限关注”理论认为,注意力是一种稀缺资源,投资者无法对浩如烟海的公开信息都做出及时反应,往往会忽略一些信息,导致股价对信息的反应不足(Hirshleifer et al., 2009)。投资者情绪理论认为,市场情绪是影响资产价格的重要因素(Baker and Wurgler, 2006),媒体报道的基调会影响投资者情绪,进而作用于资产价格(Tetlock, 2007邵新建等,2015)。近年来,探讨房地产市场中媒体作用的研究也逐渐增多。McCollough and Karani(2014)研究了媒体报道、房地产市场、宏观经济之间的作用机制。Mercille(2014)研究了媒体在爱尔兰房地产泡沫中的作用后认为,媒体并没有起到“瞭望者”的作用,反而助长了泡沫的存在。但Walker(2014)针对英国的房地产泡沫研究发现,媒体对英国的房地产泡沫并没有推波助澜,相反有助于抑制泡沫。我们发现,在媒体与资产定价关系的研究中,媒体往往通过影响市场的需求方,即投资者的关注及情绪来影响资产价格。但目前有关媒体对房地产市场影响及影响机理的探讨并不多见。

在情绪指标构建上,首先,我们依托Python搭建一个多线程的文本采集程序,用“房贷”、“公积金”、“商贷”等22个有关房地产市场运行状况、政府调控措施、人行及各银行信贷政策、土地市场运行状况的关键词爬取百度新闻上与房地产相关的新闻。得到所有的新闻标题后,我们开始手动标注10000条新闻标题的性质(即看空、看多、中性三种性质)作为训练集,之后通过Linear-SVM机器学习的方法来对剩余的新闻(测试数据)进行情绪分类。基于新闻性质的分类数据,我们构建了百度新闻栏目中房地产新闻的情绪指标。

在实证方法上,鉴于我国房地产市场的周期性波动特征,本文运用时变参数向量自回归模型(TVP-VAR)探讨媒体报道、住宅销售面积和房价之间的互动关系。这是因为传统的VAR模型假定VAR系数及扰动项的方差不变,实际上随着时间的推移,经济结构、政策偏好和技术等方面的因素都在不断发生变化,模型参数也会改变。而TVP-VAR模型同时考虑了VAR系数和误差项方差的时变性,能够捕捉到不同变量间的动态冲击效果。

研究发现,网媒的房地产新闻其多空情绪变化基本能反映调控政策的阶段性特征。媒体对房地产市场表现的反应相对稳定,住宅销售面积的增加会导致媒体净看多情绪和媒体关注度的增加,房价的上涨会伴随着媒体净看多情绪和媒体关注度的减少。因受到调控政策和市场运行状况的叠加影响,媒体对房地产市场的作用具有明显的时变效应:从常理来说,媒体关注度的增加会带来房价及住宅销售面积上升,但本文研究发现,在调控收紧时期,给予媒体关注度正向冲击后,房价会下跌,调控放开后,这种反向作用逐渐缩小,并逐渐转为正向的提升作用;在紧缩调控放开之前,给予媒体关注度正向冲击后,住宅销售面积会下降,但在2015年后的房地产市场高涨时期这种反向作用逐渐减小,持续时间亦在缩短,分析媒体关注度的构成后,我们发现,在多数时期网络新闻的看空新闻要多于看多新闻,因此媒体关注度的增加会带来反向的作用,但在房地产市场高涨时期,市场对包含大量看空新闻的媒体关注度的敏感度会降低。进一步划分媒体关注度后,我们发现媒体净看多情绪对房价起着正向的提升作用,但在调控收紧时期和调控放开初期,这种提升作用都有明显的下降,在2015年至2017年的房地产市场上行周期中,提升作用在不断扩大;媒体净看多情绪对住宅销售面积亦起着正向的提升作用。研究结论证明了媒体关注度和媒体情绪与房地产市场指标存在某种关联。

本文具有以下贡献:一是采用依托Python搭建的文本采集程序采集了大量的有关房地产市场的新闻报道,并基于Linear-SVM机器学习的方法分析出新闻文本的媒体情绪,构建了媒体情绪指标;二是利用时变参数向量自回归模型考察了媒体、住宅销售面积和房价三者之间的互动时变关系;三是分析了网络媒体对住宅销售面积和房价的时变作用,为利用网络媒体进行房地产市场预期管理,改善房地产市场宏观调控提供了理论依据和实践指导。

除第一部分外,本文结构如下,第二部分为文献综述,第三部分为理论模型,第四部分为媒体关注和房地产市场的周期波动,第五部分为时变参数向量自回归模型,第六部分为实证分析,第七部分为结论和政策建议。

二、文献综述

有关媒体与资产定价关系的研究认为,媒体会影响投资者关注和投资者情绪(Klibanoff et al., 1998Tetlock,2007),从而影响投资者决策行为,进而对资产价格产生作用。因此下面分两部分进行阐述。

在投资者关注方面,以往的研究认为,媒体关注(报道量)对股价的影响存在“注意力驱动”和“媒体效应”两种作用机制。“注意力驱动”理论认为,投资者注意力是有限的,投资者没有精力对市场上的所有股票都加以了解比较,因此倾向于购买吸引其注意的股票,使得股票面临上行压力(Barber and Odean, 2008)。国内,饶育蕾等(2013)也发现,媒体关注度与基金现金流入存在正相关关系,投资者注意力的有限性使其对基金的购买受媒体关注度的影响,存在注意力驱动交易行为。但这种行为受到基金规模和基金成立时间的影响,基金规模越小,媒体报道所导致的基金净流入越多,基金成立时间越短,投资者的注意力驱动交易行为越明显。然而亦有研究发现,备受媒体关注的股票其收益要明显低于未在媒体露面的股票,这一规律被称作“媒体效应”(Fang and Peress, 2009),有学者用“风险补偿假说”解释了这一现象,认为媒体效应来自未被媒体关注股票的风险溢价,相对于那些暴露于媒体聚光灯下的股票,其各方面信息早已被投资者熟知,知名度低的股票则需要提供相应的溢价来补偿信息不足带来的风险。“过度关注弱势”理论则认为,新闻报道数量的突然增加,会引起投资者的短期关注和买入,但随后股价会反转(张雅慧等,2011)。

不仅媒体关注度会影响资产定价,媒体报道所传递的情绪也会影响投资者情绪,影响其决策行为,传导至资产价格。媒体报道若是悲观的、负面的,投资者对未来的预期也将偏于悲观,从而使得股价股价面临较大的下行压力(Tetlock,2007)。由于正反馈效应的存在(希勒,2008),这种悲观情绪会在投资者之间弥漫,加上“沉默的螺旋”效应,这种消极的意见气候会影响投资者决策行为,最终影响股票价格(游家兴、吴静,2012)。相反,媒体报道若是乐观的、正面的,投资者的乐观情绪也将被激发,噪音交易者买入,非噪音交易者预计股价会因噪音交易者的买入而上涨,也选择买入待价而沽,不同类型交易者之间的博弈结果也会使得股价偏离内在价值(Chen et al., 2013)。但媒体情绪对资产误定价的作用是不对称的,在市场上升时期,投资者更关注乐观信息,忽视带有负面信号的信息,相反在下降时期,投资者容易受到悲观报道的影响,积极信息并不能带来积极的效果(Yang et al., 2017)。权小锋等(2015)认为,在“打新”和“投机”热情的双重影响下,投资者会选择性地关注正面信息,而忽视负面信息。

与股票市场不同,房地产市场的信息不对称性更加严重,且房地产市场往往是作为一个整体市场而出现。在有关媒体对房地产市场的影响上,McCollough and Karani(2014)研究了媒体报道、房地产市场、宏观经济之间的作用机制,发现持续的媒体负面报道对所有权人评价其房屋价值会产生负面影响,导致房屋所有者减少消费,增加储蓄,以弥补房屋价值损失。由此,短期内经济体会变差,衰退会扩大。Mercille(2014)研究了媒体在爱尔兰房地产泡沫中的作用后认为,在泡沫破灭之前,媒体由于与政治经济团体的联系、广告主的压力、精英圈层意见的影响以及报道新闻时过分依赖专家意见等原因,并没有戳穿房地产泡沫,反而推波助澜,延长了泡沫存在的时间。Walker(2014)通过对英国房地产泡沫的研究发现,媒体报道是房价变化的格兰杰原因,这意味着媒体可能影响了房地产市场的意见。然而,媒体对房地产市场的情绪并没有随着2000年之后的房价上涨而变化,意味着媒体对英国的房地产泡沫并没有推波助澜,反而有助于抑制泡沫。Soo(2015)根据投资者情绪理论,将地方新闻报纸住宅新闻传递的情绪作为住宅市场的情绪,发现住宅情绪指标能够提前两年预测房价上涨下跌,而且能预测70%的房价涨幅。

总体来说,以往的研究多集中于证券市场上媒体关注度和媒体情绪对资产价格的影响,但是针对房地产市场上媒体报道如何影响投资者预期进而作用于房地产市场的研究并不多见。本文聚焦于国内的房地产市场,研究媒体、住宅销售面积与房价三者之间的关系。

三、理论模型 (一) 房价预期的媒体传染模型

基于Carroll(2003)张成思、芦哲(2016)构建的关于媒体报道和宏观经济预期交互关系的“预期传染模型”,我们来考察媒体报道与房价预期之间的动态关系。Carroll借用流行病学模型,将媒体报道类比为流行病的公共来源(common source)。本文假定市场上存在两种住房需求者:一种是不受媒体报道影响的理性需求者,占住房需求者比重为(1-λ);另一种是极易受到媒体报道影响的适应性需求者,占市场比重为λ,有关房地产市场的新闻报道促使他们形成房价走势的预期。另μt+1表示t到t+1期的房价变化,则:

$ {\mu _{t + 1}} = \left({{P_{t + 1}} - {P_t}} \right)/{P_t} $

房价预期的媒体传染机制可以写成:

$ \begin{array}{l} {E_t}\left({{\mu _{t + 1}}} \right) = {\lambda _1}N_t^{tr}\left({{\mu _{t + 1}}} \right) + {\lambda _2}\left\{ {{\lambda _1}N_{t - 1}^{tr}\left({{\mu _{t + 1}}} \right) +\\ {\lambda _2}\left[ {{\lambda _1}N_{t - 2}^{tr}\left({{\mu _{t + 1}}} \right) + {\lambda _2}\left({{\lambda _1}N_{t - 3}^{tr}\left({{\mu _{t + 1}}} \right) + \ldots } \right)} \right]} \right\}\\ + \left({1 - \lambda } \right)N_t^{ra}\left({{\mu _{t + 1}}} \right) \end{array} $ (1)

其中,${E_t}\left({{\mu _{t + 1}}} \right) $表示住房市场所有需求者在t期对t+1期的房价变化做出的预期,它等于前述两类需求者的房价变化预期加权之和。$ N_t^{tr}\left({{\mu _{t + 1}}} \right)$为适应性需求者基于t期的媒体报道形成的对t+1期房价的适应性预期,$ N_t^{ra}\left({{\mu _{t + 1}}} \right)$为理性需求者在t期形成的对t+1期房价的理性预期。其中适应性需求根据个体受媒体影响时间先后的不同细分为两类群体,λ1为适应性需求者中在t期吸收当前媒体报道所形成房价预期的人口比例,λ2为在t时期没有受到媒体报道的影响,其预期仍是此前基于媒体报道所形成的预期保持一致的人口比例(λ=λ12),此前的预期形成不断重复这两种形成机制。

上述模型给出了媒体报道与房价预期的流行病学传播机制,对上述模型加以变换,假设住房市场中存在一个基础房价$\mu _t^f $,实际房价μt围绕着基础房价上下波动,因此可得:

$ {\mu _t} = \mu _t^f + {\varepsilon _t} $ (2)
$ \mu _{t + 1}^f = \mu _t^f + {\nu _t} $ (3)

式(2)和式(3)中:εt表示在t期对房价的短暂冲击,νt是对t期基础房价的永久冲击,且都是不可预测的白噪声变量,因此可以看到基础房价是难以预测的。此外,根据定义$N_t^{ra}\left({{\mu _{t + 1}}} \right) $为理性住房消费者形成的对t+1期房价的理性预期,不难发现$N_t^{ra}\left({{\mu _{t + 1}}} \right) = {E_t}\left({\mu _{t + 1}^f} \right) $。利用式(2)和(3)进一步推导,得到式(4)如下:

$ {\mu _{t + 1}} = \mu _{t + 1}^f + {\varepsilon _{t + 1}} = \mu _t^f + {\nu _t} + {\varepsilon _{t + 1}} $ (4)

因为εtνt都是白噪声变量,所以期望值$ E{\rm{ }}\left({{\nu _t}} \right) = E\left({{\varepsilon _{t + 1}}} \right){\rm{ }} = 0$,对式(2)和式(4)两边同时取期望,并整理得到:

$ {E_t}\left({{\mu _{t + 1}}} \right) = {E_t}\left({\mu _t^f} \right) = {E_t}\left({{\mu _t}} \right) $ (5)

假设人们从新闻报道上得到的关于房价的信息影响其预期的过程与公式(2)到(5)类似,则可以得出定义“媒体报道期望” $N_t^{tr} $类似于住房消费者期望E,所以:

$ N_t^{tr}\left({{\mu _{t + 1}}} \right) = N_t^{tr}\left({{\mu _t}} \right) = N_t^{tr}\left({\mu _t^f} \right) $ (6)

整理(5)和(6)可得:

$ {E_t}\left({{\mu _{t + 1}}} \right) = {E_t}({\mu _t}) = {E_t}\left({\mu _t^f} \right) = N_t^{tr}\left({\mu _t^f} \right) = N_t^{tr}\left({{\mu _{t + 1}}} \right) $ (7)

将式(7)代入式(1)进行迭代,可得到简化后的式(1)为:

$ {E_t}\left({{\mu _{t + 1}}} \right) = {\lambda _1}N_t^{tr}\left({{\mu _{t + 1}}} \right) + {\lambda _2}{E_{t - 1}}\left({{\mu _t}} \right) + \left({1 - \lambda } \right){E_t}\left({{\mu _{t + 1}}} \right) $ (8)

式(8)进一步简化可得:

$ {E_t}\left({{\mu _{t + 1}}} \right) = \frac{{{\lambda _1}}}{\lambda }N_t^{tr}\left({{\mu _{t + 1}}} \right) + \frac{{{\lambda _2}}}{\lambda }N_{t - 1}^{tr}\left({{\mu _t}} \right) $ (9)

根据$ N_t^{tr}\left({{\mu _{t + 1}}} \right)$的定义,我们引入媒体报道R,有$ N_t^{tr}\left({{\mu _{t + 1}}} \right) = \xi {R_t} + {{\bar w}_t}$,因此,房价预期的表达式可转换为:

$ {E_t}\left({{\mu _{t + 1}}} \right) = {\xi _1}{R_t} + {\xi _2}{R_{t - 1}} + {\mu _t} $ (10)

由此得出房价预期与媒体报道的动态模型。根据式(10),居民在t期对t+1期的房价变化的预期主要受到当期媒体报道和上一期媒体报道的影响。

(二) 住房市场均衡模型

媒体报道影响住房需求者预期,作用于市场,基于Soo(2015)的研究,考虑包含媒体因素的住房市场均衡模型。假定住房市场两类需求者具有相同的风险规避系数r,消费者在进行财富分配时不受财富积累的影响。另外,假定住房需求者在进行财富分配时的影响因素完全外生。在上述假定下,建立如下效用函数:

$U = - {e^{ - 2r{W_t}}}\\ {W_{t + 1}} = {W_t}\left({1 + {r_f}\left({1 - \tau } \right)} \right) + {X_t}[{P_{t + 1}} + {T_{t + 1}} - {P_t}({\delta _t} + {m_t} + \left({1 - \tau } \right)\left({1 + {r_f}} \right))] $ (11)

其中,rf为无风险收益率,τ为个人收益的边际所得税,Xt为住房需求者在t期所拥有的住房,Pt为t期的住房价格,T为物业费,δt为t期的房屋折旧率,m为维修房屋所发生的的费用。Wt+1为t+1期的财富,它等于t期财富Wt在t+1期所获得的收益和t期的房产Xt在t+1期的价值。另外,令$C = {\delta _t} + {m_t} + \left({1 - \tau } \right)\left({1 + {r_f}} \right) $表示住房成本。

在使效用U最大化并满足相关约束的条件下,可求得完全理性消费者的住房需求量$ X_t^{ra}$为:

$ X_t^{ra} = \frac{{{P_{t + 1}} + {T_{t + 1}} - {P_t}C}}{{2r\delta {\rm{ }}_{{P_{t + 1}}}^2}} $ (12)

${\alpha _t} = {\rm{ }}\frac{{{P_{t + 1}} + {T_{t + 1}}}}{{2r\delta _{{P_{t + 1}}}^2}}, {\beta _t} = \frac{C}{{2r\delta _{{P_{t + 1}}}^2}} $,式(12)简化为:$ X_t^{ra} = {\alpha _t} - {\beta _t}{P_t}$

相对于能够对未来房价做出准确预期的理性需求者而言,适应性需求者的房价预期更易受到媒体情绪等市场外部因素的而影响,因此其住房市场需求函数,为理性消费者的住房需求加上由媒体报道导致的预期效应$ {E_t}\left( {{\mu _{t + 1}}} \right)$,所以:

$ X_t^{tr} = {\alpha _t} - {\beta _t}{P_t} + {E_t}\left({{\mu _{t + 1}}} \right) $ (13)

因此,市场上的整体住房需求${D_t} = \lambda \left({{\alpha _t} - {\beta _t}{P_t} + {E_t}\left({{\mu _{t + 1}}} \right)} \right) + \left({1 - \lambda } \right)\left({{\alpha _t} - {\beta _t}{P_t}} \right) $,令St表示市场上的住房供给,当供求达到均衡时,均衡价格:

$ P_t^* = \frac{{{\alpha _t} + \lambda {E_t}\left({{\mu _{t + 1}}} \right) - {S_t}}}{{{\beta _t}}} $ (14)

将式(10)代入式(14),可得:

$ P_t^* = \frac{1}{{{\beta _t}}}\left[ {{\alpha _t} + {\rm{ }}\left({{\xi _1}{R_t} + {\xi _2}{R_{t - 1}}} \right) - {S_t}} \right] + \frac{\lambda }{{{\beta _t}}}{_t} $ (15)

式(15)两边同时取差分,得到t到t+1期的房价变化:

$ \begin{array}{l} \Delta {P_{t + 1}} = \frac{1}{{{\beta _t}}}[\Delta {\alpha _{t + 1}} + \lambda \Delta {E_{t + 1}}\left({{\mu _{t + 2}}} \right) - \Delta {S_{t + 1}}] + \frac{\lambda }{{{\beta _t}}}{\rm{ }}\Delta {\nu _{t + 1}}\\ = \frac{1}{{{\beta _t}}}\left[ {\Delta {\alpha _{t + 1}} + \lambda \left({{\xi _1}{R_t} + {\xi _2}{R_{t - 1}} - {\xi _3}{R_{t - 1}} + {\xi _4}{R_{t - 2}}} \right) - \Delta {S_{t + 1}}} \right] + {\rm{ }}\frac{\lambda }{{{\beta _t}}}\Delta {\nu _{t + 1}}\\ = \frac{{\lambda {\xi _1}}}{{{\beta _t}}}{R_t} + \frac{\lambda }{{{\beta _t}}}\left({{\xi _2} - {\xi _3}} \right){R_{t - 1}} + \left({ - \frac{{{\xi _4}}}{{{\beta _t}}}} \right){R_{t - 2}} + \frac{1}{{{\beta _t}}}(\Delta {\alpha _{t + 1}} - \Delta {S_{t + 1}} + \lambda \Delta {\nu _{t + 1}}) \end{array} $ (16)

由此推导出房价与媒体报道的函数关系。式(16)捕捉到了滞后一期和滞后二期的媒体报道对房价的影响,反映了媒体报道从短期到长期对房价的影响。

四、媒体关注和房地产市场的周期波动 (一) 指标说明

1.媒体指标

我们的样本观测区间从2010年1月1日开始到2018年3月31日结束。据中国互联网络信息中心(CNNIC)公布的数据,2010年底,我国网民数量达4.57亿,网络成为大多数居民获取信息的来源,同时,这一年谷歌宣布退出中国,百度的用户量大幅度增加。为了捕捉到尽可能多的房地产市场新闻,我们用22个房地产新闻的关键词抓取百度新闻,即百度新闻栏目关于房地产市场的绝大多数新闻。经过去重和去除无关新闻后,我们共抓取了57988条新闻,新闻来源有各省市纸媒网络版,以及新浪、搜狐、和讯、网易、凤凰网等网站

① 这22个关键词分别为“房贷”、“商贷”、“公积金”、“首付”、“购房”、“买房”、“房价”、“房产税”、“楼盘”、“不动产”、“商品房”、“限购”、“限贷”、“土地拍卖”、“土拍”、“土地市场”、“地王”、“一手房”、“二手房”、“新房”、“房地产”、“楼市”。

② 虽然新浪等门户网站新闻来源大多是纸媒,标题和内容大同小异,但出现的平台不同,所以这里将不同网站转载的同一条新闻算多条新闻。

在研究媒体与市场的关系时,已有文献将媒体指标分为关注度和媒体情绪两个方面。媒体关注度,即媒体报道的频次(陈翔宇等,2016应千伟等,2015李培功等,2010;Fang and Peress, 2009)。对媒体情绪的判定方法,目前有词汇分类词典法(Tetlock,2007)、文本词汇加权法(Jegadeesh and Wu, 2013),以及人工阅读等多种方式。才国伟等(2015)认为,采用文献中常用的以“词汇”出现次数来判定报道性质的统计方法在中国语境下可能产生偏误,所以采用人工阅读的方法来判断报道的正负面性质。

我们借鉴才国伟的做法,但因为数量庞大,我们先人工判定了10000篇房地产新闻的性质,再采用基于Linear SVM(线性支持向量机)算法的机器学习方法(孙建旺等,2014)判断余下的四万多条新闻报道。

由于房地产市场存在开发商、政府、购房者等多个利益和立场不一的主体,我们难以像金融市场新闻判定一样对报道进行正面或负面的区分。因此,本文将所有的新闻报道区分为看多报道(bullish)、看空报道(bearish)和中性报道(neutral),含有有助于提高成交量、推动房价上行内容的新闻定义为看多报道,反之则为看空报道,与看空看多无关的,或者两方皆有的新闻定位为中性报道(宋丹丹、张东,2018)。

同时,我们按照以下标准来判断报道的三种情绪性质:(1)有关房地产市场成交动态的报道,房价上涨、成交量增加标注为多,下跌则标注为空,量涨价跌、量跌价涨或平稳标注为中性;(2)反映房地产市场供求关系的报道,供应量加大标注为空,反之为多,需求量加大标注为多,反之为空;(3)体现贷款等服务措施的报道,贷款限制放宽,额度加大,贷款更便利标注为多,反之为空;(4)涉及房地产投资的,加大投资力度为多,反之为空;(5)有关政府举措的,救市为多,救市引来争议的,为空,出台规范房地产市场发展的报道标注为多,限购限贷为空;(6)涉及房地产市场的事例报道,负面为空,如购房被骗等等,积极为多;(7)保障性住房等政策性住房新闻、楼盘的硬性广告在此定义为中性报道。

由于新闻标题是对新闻最重要事实的概括提炼,我们将新闻标题的情绪性质作为一篇报道的情绪性质。同时,我们将媒体每月报道的数量作为媒体关注度指标,计算方式为Ln(报道总量+1),记为volume,媒体情绪的构建方式为(看多报道数量—看空报道数量)/(报道总量+1),记为sentiment。

图 1, 可看出2014年之前,看空新闻多于看多新闻,2014年、2015年、2016年这三年看多新闻多于看空新闻,2017年看空新闻多于看多新闻。这与国家的宏观调控政策及房地产市场情况大致吻合,也从侧面说明,新闻性质的判定较为可靠。

图 1 百度新闻极性年份变化图

2.房地产市场指标

本文涉及的房地产市场指标分为交易量指标和价格指标。借鉴股市分析中将股票成交量(Gervais et al., 2010)作为投资者关注度代理变量的做法,我们将住宅销售面积当月值作为房地产市场需求者关注度的代理变量,记为sales,对每年空缺的1月份数据进行Catmull-Rom Spline法插值处理。房价指标为70个大中城市新建住宅价格指数当月同比值,记为P。数据来源均为国家统计局。

对媒体指标数据、住宅销售面积都经过X12季节性调整。为了消除样本量纲的影响,我们还对三类指标都做了z-score标准化处理。

(二) 时变特征

根据林建浩、王美今(2013)的方法,我们采用简单的窗口波动率考察房地产市场波动变化,窗口期采取12个月和16个月两种。

图 2所示,媒体情绪指标在2010年2月波动最大,此后一路下降,在2012年4月至2014年6月之间波动较为平缓,2014年6月后逐渐上升,并在2015年4月下降,经历了一年多的平缓波动后,在2016年8月突然升高,并延续至2017年。

图 2 媒体情绪指标滚动波动率

媒体关注度指标2010年初在最高点,之后波动率一路下降,至2014年初,2014年至2016年中间经历了两次波动率上涨,2016年4月后,关注度波动率又一路上涨。

图 3 媒体关注度指标滚动波动率

参考贾康等(2017)对中国房地产调控政策的阶段划分,2009年11月到2014年6月,房地产调控正处于以遏制房价过快上涨为主要目标的阶段,这段时期,亦是媒体情绪波动率、媒体关注度波动率一路下滑的时期。2014年6月后各地逐渐放开了限购,2014年9月30日,央行、银监会发布“央四条”限贷解禁,我们发现这段时期,媒体情绪波动率、媒体关注度波动率也发生了变化。所以媒体指标的波动率与房地产调控政策阶段相适应,调控收紧的时候,波动率逐渐下降,调控放开的时候,波动率逐渐上升。

图 4 70个大中城市新建住宅价格指数同比滚动波动率

如图所示,70个大中城市新建住宅价格指数同比滚动波动率在2013年9、10月间,2015年初,以及2016年间都存在较大的波动。

图 5 住宅销售面积滚动波动率

如图,住宅销售面积波动率与媒体指标相反,波动率变化是先上升后下降,在紧缩调控放开前后波动率上升至高点。

综上,我们可以看出,无论是媒体指标,还是房地产市场指标都存在较强的时变特征,媒体情绪、媒体关注度和房价的12个月滚动波动率相较于各自的16个月滚动波动率,波动轨迹要偏左。住宅销售面积两种窗口滚动波动率存在重合及相反状态。

如何解释媒体、房价、需求者情绪(住宅销售面积)三者之间的时变波动特征,及三者之间的关联?本文尝试从媒体关注度及媒体传递的情绪入手,采用时变参数向量自回归模型来考察媒体与房地产市场之间的互动时变关系。

五、时变参数向量自回归模型

传统的经济计量方法(如多元线性回归模型)人为地决定某些变量的内生或外生性,使得模型的估计和推断变得不可靠(沈悦等,2012)。因此,在研究新闻报道对股价及金融市场的传导作用上,一些学者采用时间序列VAR模型来进行探讨。如Kräussl and Mirgorodskaya(2013)采用VAR模型发现媒介的悲观情绪在数月后会对市场表现产生影响。Caporale et al.(2016)采用VAR-GARCH模型分析了宏观经济新闻对欧元区诸国股市的影响,并发现正面(负面)的新闻对欧元区所有国家的股市都有着显著的正面(负面)影响,而且新闻波动性的增加往往与股市下行相联系。

但传统的VAR模型假定VAR系数以及扰动项的方差不变,这种假定显然不符合实际。前述针对房地产市场周期的分析中,我们可以看到,随着时间的推移,房地产市场的政策偏好、市场所处的经济结构等方面都会发生变化,房地产市场呈现出动态波动特征,模型参数也会随之改变,但传统的VAR模型不能刻画这种动态特征。以往描述非线性特征的状态空间模型由于是单向方程,无法展现多变量之间的相互作用,早期的非线性动态VAR亦缺少对全局的把握(沈悦等,2012)。因此,我们需要采用时变参数向量自回归模型(TVP-VAR)才能有效刻画出媒体、住宅销售面积及房价之间的动态时变关系。

根据Primiceri(2005)的研究,基本的结构化VAR模型(SVAR)定义如下:

$ A{y_t} = {F_1}{y_{t - 1}} + \ldots + {F_s}{y_{t - s}} + {\mu _t} $ (17)

本文的向量自回归数据样本有三个变量,即${y_t} = ({M_t}, {S_t}, {P_t}) $,其中Mt为媒体变量,St为住宅销售面积变量,Pt为房价,因此yt是3×1维列向量,AF1,…,FS是3×3维系数矩阵,μt是3×1维随机扰动项。同时,为保证结构性冲击的同期性,假定随机扰动项为递归函数,并假定A是一个下三角形矩阵:

$ A = \left({\begin{array}{*{20}{c}} 1&{}&{}\\ {{a_{21}}}&1&{}\\ {{a_{31}}}&{{a_{32}}}&1 \end{array}} \right) $

在假定A可逆的情况下,对式(17)两端同时乘以A的逆矩阵,则式(17)可以变为:

$ {y_i} = {B_1}{y_{t - 1}} + \ldots + {B_s}{y_{t - s}} + {A^{ - 1}}\sum {\varepsilon _t}, {\varepsilon _t} \sim N(0, {I_3}), $

其中Bi=A-1Fii=1, …, s, 同时

$ A = \left({\begin{array}{*{20}{c}} {{\sigma _1}}&{}&{}\\ {}&{{\sigma _2}}&{}\\ {}&{}&{{\sigma _3}} \end{array}} \right) $

其中σi(i=1, …, 3)为结构冲击的标准差将Bi中各个要素按列进行堆积形成32s×1维向量β,并定义${X_t} = {I_3} \otimes ({{y'}_{t - 1}}, \ldots, {{y'}_{t - s}}) $$ \otimes $代表克罗内克积,则模型可以表示为:

$ {y_t} = {X_t}\beta + {A^{ - 1}}\sum {\varepsilon _t} $ (18)

令式(18)中所有参数均是随时间可变的,则在此基础上,可以把模型写为:

$ {y_t} = {X_t}{\beta _t} + {A^{ - 1}}_t{\Sigma _t}{\varepsilon _t}, t = s + 1, \ldots, n $

此时参数βtAtΣt均是可变的。假定at为矩阵At的下三角堆积向量,${h_t} = {\rm{ }}\left({{h_{1t}}, \ldots, {h_{1t}}} \right)\prime \left({{\rm{ }}{h_j}_t = {\rm{log}}\sigma _{jt}^2} \right), j = 1, \ldots, 3, t = s + 1, \ldots, n $。参照Primiceri(2005)Nakajima(2011),假定所有参数均服从随机游走过程:

$ \begin{array}{*{20}{c}} {{\beta _{t + 1}} = {\beta _t} + {\mu _{\beta t}}, }\\ {{\alpha _{t + 1}} = {\alpha _t} + {\mu _{\alpha t}}, }\\ {{h_{t + 1}} = {h_t} + {\mu _{ht}}, } \end{array}\;\;\;\left({\begin{array}{*{20}{c}} {{\varepsilon _t}}\\ {{\mu _{\beta t}}}\\ {{\mu _{\alpha t}}}\\ {{\mu _{ht}}} \end{array}} \right) \sim N\left({0, \left({\begin{array}{*{20}{c}} I&o&o&o\\ o&{\sum \beta }&o&o\\ o&o&{\sum \alpha }&o\\ o&o&o&{\sum h} \end{array}} \right)} \right){\rm{ }} $

在实际应用中,随机波动的假定会由于参数过多而使得似然函数难以估计。本文使用MATLAB运用蒙特卡洛方法(MCMC)进行了贝叶斯推断,并基于时变脉冲响应函数模拟出每个时点下三变量之间的动态关系。

六、实证分析 (一) 变量数据平稳性检验

向量自回归模型的前提是要保证纳入模型的各变量数据的同阶单整性,分析前,我们对模型变量数据进行了ADF单位根检验。检验结果如表 1所示,所有变量数据皆平稳。

表 1 模型变量平稳性检验结果
(二) 模型估计结果

1.模型参数检验

表 2表 3报告了MCMC两万次抽样估计的参数后验均值、标准差、95%可信区间、收敛概率Geweke检验、无效影响因子。从表 2表 3可以看出,在5%的显著性水平下,Geweke检验结果均无法拒绝估计参数收敛于后验标准分布的原假设,由此表明在迭代周期中预烧期已经能够使得马尔科夫链区域集中。表 2表 3还表明参数无效影响因子普遍较低(最高不足50),满足后验统计推断需要,表明后验均值接近参数真实值,可见模型参数模拟结果非常有效。

表 2 volume、sales、P三变量模型参数检验结果
表 3 sentiment、sales、P三变量模型参数检验结果

2.时变(Time-Varying)脉冲响应分析

(1) 基于不同滞后期的三变量脉冲响应关系

由于TVP-VAR模型的时变特征,它可以基于任何一个样本期内的时点计算脉冲响应函数,用于分析不同时期媒体关注度和媒体情绪对住宅新开工面积和房价变化影响的差异性。

图 6图 7是基于不同滞后期的媒体关注度和媒体情绪、住宅销售面积及房价的三变量脉冲响应结果,滞后期分别为滞后1期、2期和4期,用以分析冲击的暂时性和持续性的影响。

图 6 基于不同滞后期的volume、sales、p三变量脉冲响应关系
图 7 基于不同滞后期的sentiment、sales、p三变量脉冲响应关系

图 6显示,2010年1月至2017年12月,媒体关注度对销售面积冲击的响应(εsalesvolume)为正值,且无明显时变效应,随着滞后期的增加作用慢慢减小,说明住宅销量的增加,媒体报道也会增加。2010年1月至2017年12月,媒体关注度对房价冲击的响应(εPvolume)为负值,且无明显时变效应,随着滞后期的增加作用慢慢增加,说明伴随房价的上涨,媒体关注度会逐渐减小。

2010年1月至2014年12月,住宅销售面积对媒体关注度冲击的响应(εPsales)为负值,且较为平稳,2015年后,响应值逐渐减小,持续时间也在缩短。说明在紧缩调控放开之前,媒体关注度的增加会导致住宅销售面积的减少,调控放开之后,这种反向作用在缩小。但总体来说,媒体关注度对住宅销售面积的影响较小。

2010年1月至2014年7月,房价对媒体关注度冲击的响应(εvolumeP)为负值,且随着滞后期的增加作用在增大,但在2014年7月以后这种负向的响应值逐渐在减小,并在2016年1月后转为正值。说明媒体关注度对房价的影响会受到市场运行和调控政策的叠加影响。2010年1月到2014年7月,正是房地产市场严格调控时期,所以媒体关注度的增加会导致房价下降。而2014年7月正是房地产市场调控放开,各地先后放开限购,对房地产市场进行“去库存”的开始时点,所以媒体关注度的增加对房价的反向作用会缩小,并逐渐转为正值。分析媒体关注度的构成也可知,媒体看空情绪占比较多。

图 7显示,观察期内,媒体净看多情绪对住宅销售面积冲击的响应值(εsalessentiment)短期为0,中长期为正值,且2010年至2012年该响应值要稍高于后期,但到2017年又稍有回升。媒体净看多情绪对房价冲击的响应值(εPsentiment)短期为0,中长期为负值,观察期内无明显时变效应。说明需求者关注(住宅销售面积)的增长对网络媒体看多情绪的影响是正向的,但房价上升对网媒看多情绪的影响则是负向的,媒体情绪对高涨的房价往往会保持冷静,影响力度也相对较小,且这种影响往往要2个月后才体现出来。

①由前文可知,媒体情绪的计算方式为:(看多报道-看空报道)/(媒体报道总数+1)

2010年至2017年,需求者关注(住宅销售面积)对媒体净看多情绪冲击的响应值(εsentimentsales)无明显变化,为正值,且随着滞后期的增加,响应值逐渐变小。房价对媒体净看多情绪冲击的响应值(εPsales)为正值,随着滞后期的增加,逐渐变大,2014年以后要大于前期。说明媒体净看多情绪能够在短期内提高住宅销售面积,且影响力度较大,房价亦能提高住宅销售面积,但提升作用相对较小。在2014年放开限购后,房价对销售面积的带动作用有所提升。

2010年至2017年,房价对媒体净看多情绪冲击的响应值(εsentimentP)为正值,且存在明显的时变效应,2010年该响应值有明显的下降过程,2011年到2013年较为平稳,2014年下降至谷底,2014年后明显上升。房价对需求者关注冲击的响应值(εsalesP)为正值,且随着滞后的增加逐渐增大,在2010年至2014年经历短暂下降后慢慢上升,2015年以后逐渐平稳。说明媒体净看多情绪对房价的作用可能会受到房地产调控政策的叠加影响,在2010年调控收紧初期以及2014年下半年调控放开初期,媒体净看多情绪对房价的作用都有明显的下降,在2015年至2017年的房地产市场上行周期中,媒体净看多情绪对房价的提升作用也在不断扩大。在2014年紧缩调控放开之前,销量增加对房价的提升作用在逐渐上升,放开之后,销量增加对房价的提升作用恢复平稳状态。

(2) 基于不同时点的三变量脉冲响应关系

接下来我们进一步考察不同时点媒体关注度、媒体情绪、住宅销售面积和房价之间的脉冲响应关系。我们选择30、60、90(即2012年6月、2014年12月和2017年6月)这三个代表性时点。一方面,三个时点分别位于样本观察期的前、中、后端,保证了分析的全面性;另一反面,2012年6月正是房地产市场处于严格调控期的时刻、2014年12月是房地产市场调控放开的时点、2017年6月则是房地产市场重启“限购”、“限贷”,进行严格调控的时刻,这样便于对比国内房地产不同发展阶段、房地产宏观调控不同时期下,百度新闻媒体关注度和媒体情绪、住宅销售面积和房价同比指数之间的互动关系,进而回答在不同时期,如何有效管理网络媒体新闻情绪,引导民众预期,以便更有效管理房地产市场预期这一问题。

图 8表明,网络媒体关注度对住宅销量和房价在三个不同冲击时点的响应表现大体一致。三个冲击时点(正)住宅销售面积冲击在半年内都会提高媒体关注度(εsalesvolume),且在滞后1期时达到最大值,半年后则会减少媒体关注度。三个冲击时点(正)房价冲击会在两个月后对媒体关注度(εPvolume)造成负向的影响。说明媒体对房地产市场状况的反映较为稳定,交易量的增加会增加媒体关注度,但媒体关注会对高涨的房价保持冷静。

图 8 基于不同时点的volume、sales、P三变量脉冲响应关系

住宅销量对媒体关注度(εvolumesales)在三个不同冲击时点的响应的表现并不一致。2012年6月和2014年12月,给定媒体关注度一个正向的冲击,住宅销量的响应值为负,且在滞后1期时达到最大。2017年6月,虽然住宅销量对媒体关注度冲击的响应值也为负值,但在滞后2期后快速减小。说明在紧缩调控开启到紧缩调控刚放开不久这段时期,媒体关注度对销量的负向影响较大,市场高涨时期,媒体关注度对销量的负向影响在缩小。

房价对媒体关注度(εvolumeP)在三个不同冲击时点的响应表现并不一致。2012年6月和2014年12月,给定媒体关注度一个正向的冲击,房价的响应值为负。2017年6月,给定媒体关注度一个正向的冲击,房价的响应值为正。可能的原因是,在紧缩调控时期、紧缩调控刚放开不久这两个时间点,市场看空预期较强,媒体关注度的增加会导致房价的下降,但在市场高涨时期,媒体关注度的增加会导致房价的上升。

图 9脉冲响应结果显示,媒体情绪对住宅销量和价格在三个不同时点冲击的响应走势的表现大体一致。三个冲击时点(正)住宅销售面积冲击在半年内都会提高媒体净看多情绪(εsalessentiment),半年后则会减少媒体净看多情绪。三个冲击时点(正)房价冲击会在两个月后对媒体净看多情绪(εPsentiment)造成负向的影响。说明媒体对房地产市场状况的反映较为稳定,交易量的增加会增加媒体净看多情绪,但媒体情绪会对高涨的房价保持冷静。

图 9 基于不同时点的sentiment、sales、P三变量脉冲响应关系

住宅销量对媒体情绪和价格在三个不同时点冲击的响应走势的表现大体一致。三个冲击时点(正)媒体净看多情绪冲击都会提高住宅销售面积(εsentimentsales),且在1个月后达到顶点。三个不同冲击时点(正)房价冲击在9个月内都会提高住宅销售面积(εPsales),其中2012年6月的收紧调控时期,房价冲击对住宅销售面积的提升作用较小。同时,我们看到媒体净看多情绪对住宅销售面积的提升作用较大。

房价对媒体情绪和住宅销量的在三个不同时点冲击的响应走势的表现并不一致。2014年12月媒体净看多情绪的冲击对房价(εsentimentP)的提升作用在三个时点中力度最小,2017年6月媒体净看多情绪的冲击对房价的提升作用最大。进一步说明媒体情绪对房价的作用会受到市场运行状况和调控政策的叠加影响,2014年年底房地产市场运行处于下行通道,限购、限贷刚放开不久,因此网络新闻的净看多情绪对房价的提升作用力度最小。而2017年6月,多数城市的房地产市场正处在高涨通道中,网络新闻的净看多情绪对房价的提升作用力度也最大。2014年12月,住宅销量的冲击对房价(εsalesP)的提升作用最大,2012年6月,住宅销量的冲击对房价的提升作用最小,但后期略高于2017年6月冲击时点,说明在市场下行时期,房价受需求者关注(住宅销售面积)的影响最大。

①2014年12月,70个大中城市新建商品住宅销售价格环比数据连续5个月为负数。

②2017年6月,70个大中城市新建商品住宅销售价格环比数据连续25个月为正数,同比亦连涨19个月。

七、结论和政策建议

鉴于预期在市场运行中的作用,市场需求者作为处于信息弱势的一方会加强对媒体尤其是网络媒体的依赖,所以从逻辑上讲,媒体在市场预期的形成与变化的过程中会起到十分重要的作用。在政府有关房地产市场的宏观调控政策中,“加强新闻宣传”、“引导社会舆论”等预期管理措施也是一项重要内容。正因此,本文对网络媒体对房地产市场的影响作了分析。

本文针对百度新闻从2010年1月到2017年12月57988篇有关房地产市场的新闻报道,采用人工阅读和基于Linear-SVM机器学习的分析方法,构建了网络新闻的媒体情绪指标和媒体关注度指标,在此基础上利用时变参数向量自回归(TVP-VAR)模型分别考察了媒体情绪、住宅销售面积和房价,以及媒体关注度、住宅销售面积和房价之间的时变反应特征,并得出以下结论:

第一,网络媒体转载的房地产新闻其情绪力量对比变化基本能反映调控政策的阶段性特征,如在紧缩型调控时期,看空报道数量会多于看多报道数量,在扩张型调控时期,看多报道数量会多于看空报道数量;从波动率变化来看,调控收紧或放开的初期,媒体情绪和媒体关注度波动率变化都较大,而在调控政策进入相对稳定的阶段时,媒体情绪和媒体关注度波动率变化都会相对较小。说明网络转载信息的内容和频度能够反映房地产市场调控政策信息,并反映市场特征信息。

第二,媒体情绪和媒体关注度对房地产市场冲击的响应并不具有明显的时变效应。住宅销售面积的增加会导致媒体净看多情绪和媒体关注度的增加,但房价的上涨会伴随着媒体净看多情绪和媒体关注度的减少。如果将住宅销售面积作为需求者关注的代理指标,我们发现需求者关注增加,媒体净看多情绪和媒体关注度也会增加。对于房价上涨,媒体往往会保持相对冷静。

第三,媒体关注度对房价和住宅销售面积的作用会受到房地产调控政策和市场运行状况的叠加影响,呈现出明显的时变效应。在2010年1月至2014年7月,媒体关注度的增加会导致房价的下降,但在滞后这种负向影响逐渐减小,在2016年1月以后,媒体关注度的增加会对房价起着正向的提升作用。在紧缩调控放开初期和紧缩调控放开之前,媒体关注度的增加会导致住宅销售面积的下降,且较为平稳,但在2015年以后房地产市场的高涨时期这种反向逐渐在减小,持续时间也在缩短。从媒体关注度的构成来看,看空报道要多于看多报道,因此,媒体关注度会对房地产市场产生反向的影响,而在样本观察期后期,市场高涨,媒体关注度的影响也会渐渐缩小,甚至转为正值。

第四,媒体净看多情绪对房价作用也会受到房地产调控政策和市场运行状况的叠加影响。总体来说,媒体净看多情绪对房价起着正向的提升作用,但在2010年调控收紧初期和2014年底调控放开初期,这种提升作用都有明显的下降,在2015年至2017年的房地产市场上行周期中,媒体净看多情绪对房价的提升作用在不断扩大。媒体净看多情绪对住宅销售面积亦起着正向的提升作用,但无明显的时变效应。这与Soo(2015)等人的发现一致,即网络媒体中的情绪能够预测房地产市场的走向,同时这种预测作用在高涨的市场中有所扩大。

基于以上研究结论的政策建议是:(1)充分重视网络媒体在房地产市场预期管理中的作用。网络媒体转载的房地产新闻能够反映房地产市场及其调控信息方面的有效性,以及网络媒体传播力强的特点,表明它们在引导房地产市场预期方面可以发挥作用,是不可忽视的房地产市场预期管理工具。(2)网络媒体转载的房地产新闻能够对住宅销售面积和房价的变动及时反映,说明媒体能够及时反映市场状况。(3)网络转载的房地产新闻出现的频率和表达出的情绪会对房价和住宅销售面积产生作用,且作用大小和方向都会有明显的时变效应,说明在针对房地产市场新闻的网络媒体管理方面,不仅要重视发布频率的控制,还需要对内容传递的情绪加以识别并引导,更要重视新闻发布的“时机”。(4)由于网络媒体转载的新闻大多出自传统媒体,所以在源头上,要针对各传统媒体建立房地产新闻的必要监控机制。一是各级政府都应建立或者强化在房地产市场调控政策出台过程的重要环节引入媒体参加联席或协同会议的措施。二是各级政府都应建立或者强化重要媒体发布重要房地产市场及其调控信息前征询相关部门意见的措施。三是各级政府的国土及房管部门都应有必要的舆情监控人员配备。

参考文献
[]
才国伟、邵志浩、徐信忠, 2015, “企业和媒体存在合谋行为吗?——来自中国上市公司媒体报道的证据”, 《管理世界》, 第 7 期, 第 158-169 页。
[]
陈翔宇、万鹏, 2016, “代理成本、媒体关注与股价暴跌风险”, 《会计与经济研究》, 第 5 期, 第 45-65 页。
[]
醋卫华、李培功, 2012, “媒体监督公司治理的实证研究”, 《南开管理评论》, 第 15 期, 第 33-42 页。
[]
贾康, 等, 2017, 《中国住房制度与房地产税改革》, 北京: 企业管理出版社。
[]
李培功、沈艺峰, 2010, “媒体的公司治理作用:中国的经验证据”, 《经济研究》, 第 4 期, 第 14-27 页。
[]
林建浩、王美今, 2013, “中国宏观经济波动的大稳健——时点识别与原因分析”, 《经济学(季刊)》, 第 12 期, 第 577-604 页。
[]
罗伯特·J希勒著, 李心丹、陈莹、夏乐译, 2008, 《非理性繁荣》, 北京: 中国人民大学出版社。
[]
权小锋、尹洪英、吴红军, 2015, “媒体报道对IPO股价表现的非对称影响研究——来自创业板上市公司的经验证据”, 《会计研究》, 第 6 期, 第 56-63 页。DOI:10.3969/j.issn.1003-2886.2015.06.008
[]
饶育蕾、黄玉龙、彭娟, 2013, “媒体关注度是否引起基金现金净流入?——基于中国开放式基金面板数据的证据”, 《管理评论》, 第 25 期, 第 46-53 页。
[]
邵新建、何明燕、江萍、薛熠、廖静池, 2015, “媒体公关、投资者情绪与证券发行定价”, 《金融研究》, 第 9 期, 第 190-206 页。
[]
沈悦、李善燊、马续涛, 2012, “VAR宏观计量经济模型的演变与最新发展——基于2011年诺贝尔经济学奖得主Smis研究成果的拓展脉络”, 《数量经济技术经济研究》, 第 10 期, 第 150-160 页。
[]
宋丹丹、张东, 2018, “城市报媒情绪、公众关注与房地产市场——基于35个大中城市报媒房地产新闻的面板分析”, 《海南大学学报(人文社会科学版)》, 第 4 期, 第 118-127 页。DOI:10.3969/j.issn.1004-1710.2018.04.017
[]
孙建旺、吕学强、张雷瀚, 2014, “基于词典与机器学习的中文微博情感分析研究”, 《计算机应用与软件》, 第 31 期, 第 177-181 页。
[]
杨德明、赵璨, 2012, “媒体监督、媒体治理与高管薪酬”, 《经济研究》, 第 6 期, 第 116-126 页。DOI:10.3969/j.issn.1673-291X.2012.06.050
[]
应千伟、周开国、陈双双, 2015, “中国资本市场中媒体关注与股票投资回报——风险补偿还是注意力驱动”, 《证券市场导报》, 第 5 期, 第 33-42 页。
[]
游家兴、吴静, 2012, “沉默的螺旋:媒体情绪与资产误定价”, 《经济研究》, 第 7 期, 第 141-152 页。
[]
游家兴、郑建鑫, 2013, “媒体情绪、框架依赖偏差与IPO异象——基于议程设置理论的研究视角”, 《投资研究》, 第 12 期, 第 68-84 页。
[]
于忠泊、田高良、齐保垒, 2011, “媒体关注的公司治理机制——基于盈余管理视角的考察”, 《管理世界》, 第 9 期, 第 127-140 页。
[]
张成思、芦哲, 2016, “不对称的螺旋:媒体情绪与通胀预期传染”, 《财贸经济》, 第 6 期, 第 51-66 页。DOI:10.3969/j.issn.1005-913X.2016.06.025
[]
张雅慧、万迪昉、付雷鸣, 2011, “股票收益的媒体效应:风险补偿还是过度关注弱势”, 《金融研究》, 第 8 期, 第 143-156 页。
[]
Anundsen A.K., Jansen E. S., 2013, "Self-reinforcing effects between housing prices and credit". Journal of Housing Economics, 22(3), 192–212. DOI:10.1016/j.jhe.2013.07.001
[]
Baker M., Wurgler J., 2006, "Investor Sentiment and the Cross-Section of Stock Returns". Economic Management Journal, 61(4), 1645–1680.
[]
Barber B. M., Odean T., 2008, "All That Glitters:The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors". Review of Financial Studies, 21(2), 785–818. DOI:10.1093/rfs/hhm079
[]
Bednar M. K., 2012, "Watchdog or lapdog? A behavioral view of the media as a corporate governance mechanism". Academy of Management Journal, 55(1), 131–150. DOI:10.5465/amj.2009.0862
[]
Broadbent D., 1958, Perception and communication, New York: Oxford University Press.
[]
Carroll C.D., 2003, "Macroeconomic Expectations of Households and Professional Forecasters". Quarterly Journal of Economics, 118(1), 269–298. DOI:10.1162/00335530360535207
[]
Chen C.W., Pantzalis C. and Park J.C., 2013, "Press coverage and stock price deviation from fundamental value". Journal of Financial Research, 36(2), 175–214. DOI:10.1111/j.1475-6803.2013.12007.x
[]
Caporale G.M., Spagnolo F. and Spagnolo N., 2016, "Macro news and stock returns in the Euro area:A VAR-GARCH-in-mean analysis". International Review of Financial Analysis, 45, 180–188. DOI:10.1016/j.irfa.2016.03.016
[]
Dyck A., Volchkova N. and Zingales L., 2008, "The corporate governance role of the media:Evidence from Russia". Journal of Finance, 63(3), 1093–1135. DOI:10.1111/j.1540-6261.2008.01353.x
[]
Fang L., Peress J., 2009, "Media Coverage and the Cross-section of Stock Returns". Journal of Finance, 64(5), 2023–2052. DOI:10.1111/j.1540-6261.2009.01493.x
[]
Gervais S., Kaniel R. and Mingelgrin D.H., 2010, "The High-Volume Return Premium". Journal of Finance, 56(3), 877–919.
[]
Hirshleifer D., Lim S.S. and Teoh S.H., 2009, "Driven to distraction:Extraneous events and underreaction to earnings news". The Journal of Finance, 64(5), 2289–2325. DOI:10.1111/j.1540-6261.2009.01501.x
[]
Jegadeesh N., Wu D., 2013, "Word power:A new approach for content analysis". Journal of Financial Economics, 110(3), 712–729. DOI:10.1016/j.jfineco.2013.08.018
[]
Joe J.R., Louis H. and Robinson D., 2009, "Managers' and investors' responses to media exposure of board ineffectiveness". Journal of Financial and Quantitative Analysis, 44(3), 579–605. DOI:10.1017/S0022109009990044
[]
Kahneman, D., 1973, Attention and effort, Englewood Cliffs: Prentice-Hall.
[]
Kim, Y.H.A. and F.Meschke, 2013, "CEO Interviews on CNBC", Working Paper.
[]
Lamont Klibanoff P., Wizman T. A., 1998, "Investor reaction to salient news in closed-end country funds". Journal of Finance, 53(2), 673–699. DOI:10.1111/0022-1082.265570
[]
Kräussl R., Mirgorodskaya E., 2013, "Media, sentiment and market performance in the long run". European Journal of Finance, 23(11), 1–24.
[]
Mccollough J., Karani K., 2014, "The Media's Role in Influencing Perceptions of Housing Values and the Resulting Impact on the Macroeconomy". Economic Affairs, 34(1), 68–77. DOI:10.1111/ecaf.12047
[]
Mcquinn K., O'Reilly G., 2006, "Assessing the role of income and interest rates in determining house prices". Research Technical Papers, 25(3), 377–390.
[]
Mercille J., 2014, "The Role of the Media in Sustaining Ireland's Housing Bubble". New Political Economy, 19(2), 282–301. DOI:10.1080/13563467.2013.779652
[]
Miller G. S., 2006, "The press as a watchdog for accounting fraud". Journal of Accounting Research, 44(5), 1001–1033. DOI:10.1111/joar.2006.44.issue-5
[]
Nakajima J., 2011, "Time-Varying Parameter VAR Model with Stochastic Volatility:An Overview of Methodology and Empirical Applications". Monetary and Economic Studies, 29, 107–142.
[]
Pashler H., 1992, "Attentional limitations in doing two tasks at the same time". Current Directions in Psychological Science, 1(2), 44–48. DOI:10.1111/1467-8721.ep11509734
[]
Primiceri G.E., 2005, "Time Varying Structural Vector Autoregressions and Monetary Policy". Review of Economic Studies, 72(3), 821–852. DOI:10.1111/j.1467-937X.2005.00353.x
[]
Rogers J. L., Skinner D.J. and Zechman S. L. C., 2016, "The role of the media in disseminating insider-trading news". Review of Accounting Studies, 21(3), 711–739. DOI:10.1007/s11142-016-9354-2
[]
Soo, C.K., 2015, "Quantifying Animal Spirits: News Media and Sentiment in the Housing Market", Ross School of Business Working Paper: No, 1200.
[]
Tetlock P.C., 2007, "Giving content to investor sentiment:The role of media in the stock market". Journal of Finance, 62(3), 1139–1168. DOI:10.1111/j.1540-6261.2007.01232.x
[]
Walker C.B., 2014, "Housing booms and media coverage". Applied Economics, 46(32), 3954–3967. DOI:10.1080/00036846.2014.948675
[]
Yang W., Lin D. and Yi Z., 2017, "Impacts of the Mass Media Effect on Investor Sentiment". Finance Research Letters, 22(C), 1–4.