美国实际房价指数预测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Forecasting the U.S. Real House Price Index》
---
作者：
Vasilios Plakandaras, Rangan Gupta, Periklis Gogas and Theophilos
  Papadimitriou
---
最新提交年份：
2017
---
英文摘要：
  The 2006 sudden and immense downturn in U.S. House Prices sparked the 2007 global financial crisis and revived the interest about forecasting such imminent threats for economic stability. In this paper we propose a novel hybrid forecasting methodology that combines the Ensemble Empirical Mode Decomposition (EEMD) from the field of signal processing with the Support Vector Regression (SVR) methodology that originates from machine learning. We test the forecasting ability of the proposed model against a Random Walk (RW) model, a Bayesian Autoregressive and a Bayesian Vector Autoregressive model. The proposed methodology outperforms all the competing models with half the error of the RW model with and without drift in out-of-sample forecasting. Finally, we argue that this new methodology can be used as an early warning system for forecasting sudden house prices drops with direct policy implications.
---
中文摘要：
2006年美国房价突然大幅下跌，引发了2007年全球金融危机，重新激发了人们对预测经济稳定面临的这种紧迫威胁的兴趣。在本文中，我们提出了一种新的混合预测方法，该方法将信号处理领域的集成经验模式分解（EEMD）与源自机器学习的支持向量回归（SVR）方法相结合。我们用随机游走（RW）模型、贝叶斯自回归模型和贝叶斯向量自回归模型检验了该模型的预测能力。所提出的方法优于所有竞争模型，在有无样本外漂移预测的情况下，其误差为RW模型的一半。最后，我们认为，这种新方法可以作为预测房价突然下跌的预警系统，具有直接的政策影响。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--

---
PDF下载：
--> Forecasting_the_U.S._Real_House_Price_Index.pdf (899.45 KB)

2022-6-1 03:29:32 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：房价指数 Implications Quantitative Applications Forecasting

预测美国实际房价指数Vasilios Plakandaras+、Rangan Gupta*、Periklis Gogas+希腊色雷斯德谟克利特大学经济系TheophilosPapadimitriou+*南非比勒陀利亚大学经济系。2006年美国房价突然大幅下跌引发了2007年全球金融危机，并重新激发了人们对预测经济稳定面临的紧迫威胁的兴趣。本文提出了一种新的混合预测方法，该方法将信号处理领域的集成经验模式分解（EEMD）与源于机器学习的支持向量回归（SVR）方法相结合。我们用随机游走（RW）模型、贝叶斯自回归模型和贝叶斯向量自回归模型检验了该模型的预测能力。所提出的方法优于所有竞争模型，误差为有无样本外漂移预测的RW模型的一半。最后，我们认为，这种新方法可以作为预测房价突然下跌的早期预警系统，具有直接的政策含义。关键词：房价，预测，机器学习，支持向量回归。JEL代码：C32、C53、R31通讯作者：Periklis Gogas，电子邮件：pgkogkas@ierd.duth.gr，电话：+302531039555,1。导言和文献回顾上次全球金融危机恢复了学术界和政策界对资产价格，尤其是房价在经济活动中的作用的浓厚兴趣。正如Leamer（2007）指出的那样，房地产市场预测了二战后十次衰退中的八次，是实体经济的领先指标。事实上，他甚至宣称“住房是商业周期”。

Vargas和Silva（2008）认为，房价调整在确定商业周期的阶段中起着重要作用。当经济繁荣时，住房部门的建筑和就业迅速扩张，以应对过剩需求，迅速推高名义房价。在收缩阶段，私人收入的下降减少了总需求和名义房价。然而，由于户主不愿降价，名义房价通常会缓慢下跌。大部分调整是通过销售额下降实现的，这导致建筑业和住房就业出现了adrop。此外，在经济收缩和衰退期间，实际房价迅速下跌，因为总体通胀趋势降低了实际房价，即使名义价格存在粘性。最近，几位作者得出了实证结果，即房价可以作为预测产出的工具。（Forni等人，2003年；Stock和Watson，2003年；Gupta和Das，2010年；Das等人，2009年；2010年；2011年；Gupta和Hartley，2013年）。住房建筑业在以GDP表示的总经济活动中占很大一部分。因此，由于它反映了经济总体财富的很大一部分，房价波动可以作为GDP演变的一个指标（Case et al，2005）。与其他资产一样，房价的变动也可以作为未来通货膨胀方向的指标（Gupta和Kabundi，2010）。总的来说，对房价演变路径的准确预测对于房地产市场参与者和货币政策当局来说都是一个有用的工具。有大量关于美国房价预测的文献。

Rapach和Strauss（2007）使用自回归分布滞后（ARDL）模型框架，包含25个决定因素来预测各州联邦储备委员会第八区的实际房价增长。他们发现，ARDL模型往往优于abenchmark AR模型。Rapach和Strauss（2009）基于ARDL模型对美国20个最大的州进行了同样的分析，该模型考察了州、地区和国家层面的变量。作者再次得出了类似的结论，即组合具有不同滞后结构的模型预测的重要性。Gogas和Pragidis（2011）将计算为各种长期利率和代理人对未来短期利率的预期之间的差额的风险溢价作为预测房价未来方向的输入变量。他们得出结论，投资者和分析人员可以有效利用今天利率风险溢价提供的信息，以估计未来三个月获得低于趋势的标准普尔CS-10指数的可能性。Gupta和Das（2010）还预测，美国20个最大州的实际房价增长率近期将出现下滑。作者使用仅基于每月实际房价增长率的空间贝叶斯VAR（BVARs）来预测2007:01至2008:01期间的低迷。他们发现，BVAR模型能够很好地预测实际房价的未来走向，尽管它们严重低估了房价的下跌。他们将BVAR模型预测不足的原因归结为在估计过程中缺乏任何基本信息。Das等人（2010年）使用小规模BVAR、贝叶斯因子增强VARs（BFAVARs）和大规模BVAR预测九个人口普查地区的房价。

作者使用标准明尼苏达贝叶斯先验估计贝叶斯模型。他们指出，BFAVARs最适合预测九个人口普查部门的房价增长率。Gupta等人（2011年）使用VAR、BVAR、FAVAR、BVAR、BFAVAR等数学模型和前瞻性结构动态随机一般均衡（DSGE）模型，检验了小规模和大型经济变量集的解释力。基于一季度、二季度、三季度和四季度AHEADD预测的平均均方根误差，他们发现，以10个变量为输入源的小规模贝叶斯收缩模型的性能优于所有其他输入集。Gupta（2013）在大量预测因子（145个变量）中使用动态因子和Bayesianshrinkage模型，预测美国四个人口普查地区和总体经济的房价。结果表明，BFAVAR模型具有最好的预测能力。Gupta和Kabundi（2010年）以及Aye和Gupta（即将出版）在预测美国整体房价指数时使用贝叶斯预测回归也得出了类似的结果。最近，Balcilar等人（即将出版）比较了非线性AR模型相对于AR模型预测美国四个人口普查地区名义房价增长率和综合经济的能力。有趣的是，尽管他们能够在所有5个房价增长率的样本中检测到非线性，但当涉及样本点外、区间和密度预测时，支持非线性模型的证据几乎不存在。

根据上述讨论，可以看出，一般而言，贝叶斯模型最适合预测地区或美国总房价。在本文中，我们在以往实证研究的基础上，通过比较计量经济学贝叶斯向量自回归（BVAR）和贝叶斯自回归（BAR）模型，而不是贝叶斯预测回归，以避免内生性问题，并采用一种新的预测方法进行一年前预测。我们提出了一种将信号处理领域的集成经验模式分解与机器学习支持向量回归方法相结合的方法来构建预测模型。与之前的研究相比，我们使用了一个更长的样本，涵盖1890年至2012年的年度观测数据，并评估了11个宏观经济变量的使用情况。最后，我们将我们的研究框架扩展到多期预测，以评估我们作为房价预警系统的预测方法，重点关注2006-2007年的房价低迷。本文的其余部分组织如下：第2节讨论了方法，第3节介绍了数据集，第4节报告了实证结果。最后，第5节得出结论。2、方法学2.1概述计量经济学家在开发预测模型时的一个常见问题是，几乎所有的时间序列都是波动性较大的元素的集合。例如，美国实际年度房价的年度数据集，由季度或甚至每月的价格调查组成，这些调查是汇总的。随着采样频率的降低，对涉及美国。

商业和住宅房地产市场，参考Ghysels等人（2013）。短期动态减弱，趋势或季节性等长期特征有待观察。在预测系统中使用此类输入变量会导致错误，从而难以创建准确的模型。平滑技术可以减少观测数据中噪声和误差的影响，提供基本现象的不太稳定的表示。尽管如此，在平滑过程中，重要信息可能会丢失。所有平滑方法中的一个关键问题是最佳点的定义，超过该点，平滑会导致失真，而不是降噪。在实际应用中，无噪声时间序列是不可观测的，我们只能通过平滑的时间序列来近似它们。许多平滑实现选择强制的平滑度；例如，参见Hodrick-Prescott（1997）滤波器和关于平滑度参数λ相对于数据频率的最佳值的讨论。为了缓解适当的模型选择困境，我们的实现利用了一种相对新颖的信号分解方法，称为集成经验模式分解（EEMD），用作平滑函数。这种平滑框架的主要优点是a）没有先验假设，b）模型参数的调整完全基于数据特征。在本文中，我们提出了如下三步预测方法：步骤1。使用EEMDStep 2对初始序列进行平滑处理。使用弹性网方法的变量选择过程步骤3。

拟合支持向量回归模型进行预测。在第一步中，我们使用EEMD将所有输入序列分解为低频（平滑）和剩余的高波动（波动）分量，分别近似长期趋势和短期动态。通过将初始时间序列分解为两个不同的组件，我们能够为每个组件使用不同的预测模型。通过这种方式，每个模型都更适合各自的数据特征。输出时间序列的平滑分量模型由输入时间序列的平滑分量馈送。相应地，对波动部件使用相同的机制。变量有关EMDdecomposition期间短期和长期数据特征表示的更多信息，请参见Wu等人（2007）。在每种情况下，都使用弹性网进行选择（Zou和Hastie，2005），所选变量集被转发到SVR模型。该系统对初始时间序列的平滑部分和波动部分分别进行预测。通过在培训步骤中采用4倍交叉验证模式，可以避免过度拟合。两个预测组件的总和是我们方法的最终结果，并对其样本外预测准确性进行评估。

该方法的概述如图1所示。图1：EEMD-EN-SVR混合结构模型。2.2 VAR和BVAR规范根据Sims（1980）的工作，我们创建了一个无限制VAR模型，如下所示：           （1） 假设和是一个  单位矩阵，其中是一个 变量向量，是一个 滞后长度为p的后移算子L中的多项式矩阵[     , 和是一个  误差项向量。VAR模型对模型中的所有变量使用相等的滞后长度，这意味着研究者必须估计许多参数，包括一些可能在统计上不重要的参数。这种过度参数化问题可能会产生多重共线性，从而可能导致较大的样本外预测错误。Litterman（1981、1986）、Doan等人（1984）和Spencer（1993）使用贝叶斯VAR（BVAR）模型来克服过参数化问题。他们没有消除统计上不显著的系数，而是在不同的滞后长度上对系数施加不同的权重，假设更长的滞后系数不如更短的滞后系数显著。在经典VAR和VEC模型的贝叶斯变体中，我们遵循Litterman（1981）的建议，即扩散优先于常数，在文献中通常称为“明尼苏达优先”。在形式上，Minnesota prior的均值和方差采用以下形式：                                  （2） 在哪里VAR模型各方程中与滞后因变量相关的系数，以及是所有其他系数。将所有方差设置为零，每个变量的先前规范将减少为带有漂移的随机游走模型。

之前的差异，和,  用平均数指定先验不确定性, 和, 分别地Doan等人（1984年）提出，可以根据少量超参数（q、g和加权矩阵）计算标准偏差.  对于所有i、j和m，等式i中变量j在滞后m处的先验标准偏差如下所示：  ,                                       （3） 受制于哪里 是变量i的单变量自回归的估计标准误差。比率缩放变量以说明测量单位的差异，而术语q表示模型的整体紧密性，随着值的下降，先前的变得紧密。参数测量滞后m相对于第一个滞后的紧密性，并随着滞后顺序的增加而拉紧前一个滞后。权重矩阵等于方程i中变量j的紧密度，并通过增加相互作用（即),  我们放松了优先权。Sims等人（1990年）认为，贝叶斯方法完全基于似然函数，相关推论不需要平稳性，因为无论单位根的存在与否，似然函数都表现出相同的高斯曲线。因此，在本文中，我们在级别中指定了BVARand-BAR模型。2.3集合经验模式分解和时间序列平滑EEMD是一种数据驱动算法，它将时间序列分解为有限的可加性振荡分量，称为固有模式函数（IMF）。Wu and Huang（2009）提出，分解为IMF是通过迭代方案实现的，直到残差没有局部极值。