基于DCC-GARCH模型的我国房企间的动态相关性研究
发布时间：2021-01-14 13:32
近些年来,我国房地产业发展迅速,已经成为我国经济的基础性和支柱性产业,房地产企业随之越来越多,房价也一直在不断上涨。为了规范房地产市场,促使房地产市场健康可持续的稳定发展,国家针对房地产市场出台了一系列的宏观调控政策。研究不同调控政策下房企之间的关联性,有利于投资者进行合理的资产配置,获得更高的收益,更有利于房企升级转型,转变经营方式,加强房企抵抗风险的能力,适应房地产市场的不断变化。本文以国企、民企两种性质的房地产企业的股指收益率作为研究对象,结合近十年我国房地产的调控政策,采用DCC-GARCH模型分析我国房地产不同性质企业之间的动态关联性。本文的结构安排如下:第一章介绍本文的选题背景、研究意义、房地产相关的文献综述和论文内容及结构安排。第二章介绍DCC-GARCH模型的背景、形式、估计步骤和DCC-GARCH模型相关的文献综述。第三章基于DCC-GARCH模型对我国房地产企业的动态相关性进行研究,选择十六家国企、民企两种性质的房地产企业的股指收益率样本序列进行实证分析。首先对样本序列进行描述性分析、正态性、平稳性、自相关性和ARCH效应检验,根据ACF图和PACF图确定均值方程的...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
近十年我国房地产业占国内生产总值的占比
西南大学应用统计硕士学位论文2上涨。从图1-2可以看出2，2017年到2018年房价上涨到一个极高点，因为2016年各地采取金融政策、鼓励农民工进城买房，限购限价和房地产市场去库存等多种措施，在比较宽松的信贷环境下，我国房地产市场的成交量上升，很多大城市出现了住房供应紧缺，从而造成了土地价格和房价的迅速上涨。由中国房地产指数系统对100个城市的调查结果可知，2016年我国这100个城市的房价上涨了百分之五十以上，跟2015年相比大约增加了百分之十三。2017年我国的房地产市场无论是对房地产业的发展还是对我国经济的发展，都画上了浓墨重彩的一笔。图1-2近十年我国商品房平均销售价格（元/平方米）2016年，我国热门城市的房价上涨迅速，房产的金融属性被不断扩大，各地纷纷出台了各种调控房价政策，12月14日至16日，中央财经领导小组在中央经济工作会议上首次提出了“房住不炒”的政策，确定了2017年经济要稳中求进，寻找到更加有效的财政政策，推进供给侧改革，重点实施实体经济的振兴计划，这些都有利于房地产市场稳中求进、健康可持续发展。从表1-1可以看出，2017年之前我国的房地产调控政策主要是调控需求端，采取限购限贷和提高首付比例等政策来调控房价，2017年以后房地产调控政策跟以前不同，新出台的调控政策注重短期调控和长效机制相结合，坚持房子是用来住的而不是用来炒的，不能将房地产作为短期刺激经济的手段，这是因为房地产调控需要考虑经济高质量的发展以及防范化解重大风险等。2图1-2数据来源于国家统计局数据库
西南大学应用统计硕士学位论文23进行多元GARCH模型的参数估计。因为每只股票的交易日期并不是完全一致的，采用派式加权法，可以剔除掉交易日不相同的数据，只选取相同交易日的数据，通过派式加权合成指数这种方法，不仅可以有效的避免个别异常值对结果的影响，还可以避免数据缺失对结果的影响。这样模型估计的结果更加准确可靠。派式加权法的公式为：niiiniiiQPQPP110111"其中，iP0是基期第i种股票价格，iP1是计算期第i种股票价格，iQ1是计算期第i种股票的发行量或成交量。收益率tR的公式为：100*)ln(ln1tttppR其中tp为房地产企业合成指数第t日的收盘价。图3-1两种不同性质的房地产企业的指数收益率时序图图3-1是不同性质房地产数据指数化以后的时序图，红色的线代表的是国企房地产企业的股指收益率，蓝色的线代表的是民企房地产企业的股指收益率。从图3-1中可以看出，在房地产企业中，国企股指收益率和民企股指收益率的相关变动比较明显，一段时间内具有联动性。具体可以从图中看出，2017年之前，民企房地产企业的股指收益率波动不大，比较平缓，但从2017年以后，民企房
【参考文献】：
期刊论文
[1]基于DCC-GARCH模型的P2P网贷利率溢出效应研究[J]. 徐云松. 金融发展研究. 2019(01)
[2]“深港通”政策下深港股市的动态联动性研究——基于GJR-GARCH-DCC模型的实证分析[J]. 王涛,董梅生. 区域金融研究. 2018(11)
[3]APEC主要成员股票市场的联动性动态变化——基于DCC-GARCH模型的实证研究[J]. 李竹薇,付媛,邱雨虹,康晨阳. 大连理工大学学报(社会科学版). 2018(05)
[4]房价与股价波动对宏观经济稳定的影响研究[J]. 徐加根,罗晶,徐培文. 华东经济管理. 2018(03)
[5]基于DCC-GARCH的中国大宗商品金融化研究[J]. 刘映琳,鞠卓,刘永辉. 国际商务研究. 2017(05)
[6]保险公司系统性风险溢出效应研究——基于DCC-GARCH-CoVaR模型[J]. 袁薇,王培辉. 财会月刊. 2017(05)
[7]基于DCC-GARCH模型的中国保险业系统性风险研究[J]. 刘璐,王春慧. 宏观经济研究. 2016(09)
[8]基于DCC-GARCH模型的新兴市场金融传染效应检验[J]. 刘慧悦. 统计与决策. 2016(12)
[9]基于MS-VAR模型的房地产产业联动机制非对称性研究[J]. 郭文伟,钟明. 投资研究. 2016(01)
[10]国际金融市场波动溢出效应与动态相关性[J]. 何德旭,苗文龙. 数量经济技术经济研究. 2015(11)
博士论文
[1]金融危机背景下中美欧股票市场联动性研究[D]. 赵勇.上海社会科学院 2012
硕士论文
[1]中国和东盟股市收益的动态相关性研究[D]. 宋玮楠.吉林大学 2017
[2]金砖国家股票市场联动性研究[D]. 黄周祥.首都经济贸易大学 2015
[3]行业股价指数溢出效应研究[D]. 李政.南京大学 2013
[4]房地产业关联效应与波及效应分析[D]. 张容赫.华东师范大学 2012
[5]中国房地产业与国民经济相关性分析—产业关联与贡献角度[D]. 郭一凡.清华大学 2009
本文编号：2976947
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
近十年我国房地产业占国内生产总值的占比
西南大学应用统计硕士学位论文2上涨。从图1-2可以看出2，2017年到2018年房价上涨到一个极高点，因为2016年各地采取金融政策、鼓励农民工进城买房，限购限价和房地产市场去库存等多种措施，在比较宽松的信贷环境下，我国房地产市场的成交量上升，很多大城市出现了住房供应紧缺，从而造成了土地价格和房价的迅速上涨。由中国房地产指数系统对100个城市的调查结果可知，2016年我国这100个城市的房价上涨了百分之五十以上，跟2015年相比大约增加了百分之十三。2017年我国的房地产市场无论是对房地产业的发展还是对我国经济的发展，都画上了浓墨重彩的一笔。图1-2近十年我国商品房平均销售价格（元/平方米）2016年，我国热门城市的房价上涨迅速，房产的金融属性被不断扩大，各地纷纷出台了各种调控房价政策，12月14日至16日，中央财经领导小组在中央经济工作会议上首次提出了“房住不炒”的政策，确定了2017年经济要稳中求进，寻找到更加有效的财政政策，推进供给侧改革，重点实施实体经济的振兴计划，这些都有利于房地产市场稳中求进、健康可持续发展。从表1-1可以看出，2017年之前我国的房地产调控政策主要是调控需求端，采取限购限贷和提高首付比例等政策来调控房价，2017年以后房地产调控政策跟以前不同，新出台的调控政策注重短期调控和长效机制相结合，坚持房子是用来住的而不是用来炒的，不能将房地产作为短期刺激经济的手段，这是因为房地产调控需要考虑经济高质量的发展以及防范化解重大风险等。2图1-2数据来源于国家统计局数据库
西南大学应用统计硕士学位论文23进行多元GARCH模型的参数估计。因为每只股票的交易日期并不是完全一致的，采用派式加权法，可以剔除掉交易日不相同的数据，只选取相同交易日的数据，通过派式加权合成指数这种方法，不仅可以有效的避免个别异常值对结果的影响，还可以避免数据缺失对结果的影响。这样模型估计的结果更加准确可靠。派式加权法的公式为：niiiniiiQPQPP110111"其中，iP0是基期第i种股票价格，iP1是计算期第i种股票价格，iQ1是计算期第i种股票的发行量或成交量。收益率tR的公式为：100*)ln(ln1tttppR其中tp为房地产企业合成指数第t日的收盘价。图3-1两种不同性质的房地产企业的指数收益率时序图图3-1是不同性质房地产数据指数化以后的时序图，红色的线代表的是国企房地产企业的股指收益率，蓝色的线代表的是民企房地产企业的股指收益率。从图3-1中可以看出，在房地产企业中，国企股指收益率和民企股指收益率的相关变动比较明显，一段时间内具有联动性。具体可以从图中看出，2017年之前，民企房地产企业的股指收益率波动不大，比较平缓，但从2017年以后，民企房
【参考文献】：
期刊论文
[1]基于DCC-GARCH模型的P2P网贷利率溢出效应研究[J]. 徐云松. 金融发展研究. 2019(01)
[2]“深港通”政策下深港股市的动态联动性研究——基于GJR-GARCH-DCC模型的实证分析[J]. 王涛,董梅生. 区域金融研究. 2018(11)
[3]APEC主要成员股票市场的联动性动态变化——基于DCC-GARCH模型的实证研究[J]. 李竹薇,付媛,邱雨虹,康晨阳. 大连理工大学学报(社会科学版). 2018(05)
[4]房价与股价波动对宏观经济稳定的影响研究[J]. 徐加根,罗晶,徐培文. 华东经济管理. 2018(03)
[5]基于DCC-GARCH的中国大宗商品金融化研究[J]. 刘映琳,鞠卓,刘永辉. 国际商务研究. 2017(05)
[6]保险公司系统性风险溢出效应研究——基于DCC-GARCH-CoVaR模型[J]. 袁薇,王培辉. 财会月刊. 2017(05)
[7]基于DCC-GARCH模型的中国保险业系统性风险研究[J]. 刘璐,王春慧. 宏观经济研究. 2016(09)
[8]基于DCC-GARCH模型的新兴市场金融传染效应检验[J]. 刘慧悦. 统计与决策. 2016(12)
[9]基于MS-VAR模型的房地产产业联动机制非对称性研究[J]. 郭文伟,钟明. 投资研究. 2016(01)
[10]国际金融市场波动溢出效应与动态相关性[J]. 何德旭,苗文龙. 数量经济技术经济研究. 2015(11)
博士论文
[1]金融危机背景下中美欧股票市场联动性研究[D]. 赵勇.上海社会科学院 2012
硕士论文
[1]中国和东盟股市收益的动态相关性研究[D]. 宋玮楠.吉林大学 2017
[2]金砖国家股票市场联动性研究[D]. 黄周祥.首都经济贸易大学 2015
[3]行业股价指数溢出效应研究[D]. 李政.南京大学 2013
[4]房地产业关联效应与波及效应分析[D]. 张容赫.华东师范大学 2012
[5]中国房地产业与国民经济相关性分析—产业关联与贡献角度[D]. 郭一凡.清华大学 2009
本文编号：2976947
本文链接：https://www.wllwen.com/jingjilunwen/fangdichanjingjilunwen/2976947.html
