鄭瑞涵

摘?要：房地產(chǎn)價(jià)格變動(dòng)的風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)，對(duì)實(shí)現(xiàn)住房剛性需求、貫徹新時(shí)代多渠道保障住房制度具有重要意義。采用2013年1月至2022年12月70個(gè)大中城市面板數(shù)據(jù)，基于在險(xiǎn)價(jià)值風(fēng)險(xiǎn)度量理論，使用歷史模擬和蒙特卡洛模擬兩種算法測(cè)度新建商品住宅銷(xiāo)售環(huán)比價(jià)格指數(shù)變動(dòng)風(fēng)險(xiǎn)情況，并從地理空間角度分析城市風(fēng)險(xiǎn)特征分布。研究結(jié)果發(fā)現(xiàn)：一線城市房?jī)r(jià)指數(shù)波動(dòng)風(fēng)險(xiǎn)相近其風(fēng)險(xiǎn)值由高到低依次為深圳、廣州、上海、北京，新一線城市相比一線城市房?jī)r(jià)指數(shù)平均波動(dòng)風(fēng)險(xiǎn)更高且城市間差異較大，在未來(lái)平均房?jī)r(jià)指數(shù)波動(dòng)風(fēng)險(xiǎn)略有上升，而傳統(tǒng)一線城市和其他城市平均風(fēng)險(xiǎn)則相對(duì)有所下降。東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會(huì)城市風(fēng)險(xiǎn)測(cè)度結(jié)果相對(duì)較高，中南地區(qū)多中風(fēng)險(xiǎn)城市，低風(fēng)險(xiǎn)城市較分散?，F(xiàn)有房?jī)r(jià)仍需以一線城市為標(biāo)桿推進(jìn)新一線城市房?jī)r(jià)穩(wěn)預(yù)期，因地制宜實(shí)行房地產(chǎn)行業(yè)相關(guān)政策。

關(guān)鍵詞：房地產(chǎn)價(jià)格；在險(xiǎn)價(jià)值；歷史模擬；蒙特卡洛模擬

中圖分類(lèi)號(hào)：F832.49???文獻(xiàn)標(biāo)識(shí)碼：A?文章編號(hào)：1005-6432（2024）07-0182-05

DOI：10.13939/j.cnki.zgsc.2024.07.046

房地產(chǎn)價(jià)格指數(shù)是反映一定時(shí)期內(nèi)房屋銷(xiāo)售價(jià)格變動(dòng)及趨勢(shì)的相對(duì)數(shù)，對(duì)于直觀觀察房地產(chǎn)市場(chǎng)情況、穩(wěn)定房地產(chǎn)市場(chǎng)具有重要意義。房地產(chǎn)價(jià)格變化關(guān)乎全局，由于房地產(chǎn)行業(yè)與其他行業(yè)緊密相關(guān)，故其過(guò)快或過(guò)慢的漲跌幅都會(huì)引起房地產(chǎn)行業(yè)的泡沫產(chǎn)生。黨的二十大報(bào)告中進(jìn)一步強(qiáng)調(diào)了“房住不炒，不將房地產(chǎn)作為短期刺激經(jīng)濟(jì)的手段”的政策基調(diào)。對(duì)房地產(chǎn)價(jià)格指數(shù)變化的風(fēng)險(xiǎn)評(píng)估，即是對(duì)房地產(chǎn)價(jià)格波動(dòng)風(fēng)險(xiǎn)的防范準(zhǔn)備，也是對(duì)加快建立多渠道保障住房制度的精神貫徹。

1?房地產(chǎn)市場(chǎng)發(fā)展現(xiàn)狀及文章研究思路

1.1?房地產(chǎn)市場(chǎng)發(fā)展現(xiàn)狀

保民生和保質(zhì)量為我國(guó)現(xiàn)有住房制度改革的兩大目標(biāo)。黨的十九大以來(lái)，樓市優(yōu)化、住房不炒政策持續(xù)推進(jìn)，房地產(chǎn)投資屬性逐漸向消費(fèi)品屬性靠攏，爆發(fā)性房?jī)r(jià)上升的現(xiàn)象日益減少。二十大租購(gòu)并舉政策的推出，長(zhǎng)期租房的門(mén)檻降低，商品住房受其影響價(jià)格也將隨之波動(dòng)。而伴隨經(jīng)濟(jì)變遷，各大新一線城市逐漸抓住政策紅利，并進(jìn)一步響應(yīng)黨的二十大精神出臺(tái)房地產(chǎn)行業(yè)相關(guān)青年友好政策，實(shí)現(xiàn)人才引進(jìn)，給予青年以更大發(fā)展機(jī)遇。房?jī)r(jià)風(fēng)險(xiǎn)波動(dòng)相關(guān)的政策舉措對(duì)于引納青年不可或缺，在為青年發(fā)展及其他房產(chǎn)投資者提供決策依據(jù)的同時(shí)，也對(duì)新一線城市進(jìn)一步發(fā)展予以房地產(chǎn)相關(guān)行業(yè)的政策保障。相對(duì)于傳統(tǒng)一線城市的北上廣深，2022年在70個(gè)主要大中城市中進(jìn)入新一線城市的主要有成都、重慶、杭州、西安、武漢、鄭州、南京、天津、長(zhǎng)沙、寧波、合肥、青島等。多數(shù)城市房?jī)r(jià)近年來(lái)下跌情況嚴(yán)重，相關(guān)房地產(chǎn)行業(yè)的投資、銷(xiāo)售風(fēng)險(xiǎn)也隨之升高。截至2022年12月，70個(gè)城市的房?jī)r(jià)指數(shù)中新一線城市房?jī)r(jià)指數(shù)主要處于98.38～99.24，其他多數(shù)城市則聚集于99.25～100.10。如何量化并評(píng)估城市房?jī)r(jià)波動(dòng)風(fēng)險(xiǎn)，對(duì)新形勢(shì)下了解房?jī)r(jià)波動(dòng)風(fēng)險(xiǎn)程度，從而做好消費(fèi)投資決策與風(fēng)險(xiǎn)規(guī)避迫切相關(guān)。

1.2?文章研究思路

現(xiàn)將金融風(fēng)險(xiǎn)管理領(lǐng)域具有廣泛應(yīng)用的風(fēng)險(xiǎn)度量指標(biāo)在險(xiǎn)價(jià)值，引入房地產(chǎn)價(jià)格指數(shù)風(fēng)險(xiǎn)評(píng)估。文章基于在險(xiǎn)價(jià)值理論，使用歷史模擬和蒙特卡洛模擬兩種測(cè)算方式，評(píng)估了2013年1月至2022年12月70個(gè)大中城市新建商品住宅銷(xiāo)售價(jià)格指數(shù)波動(dòng)的風(fēng)險(xiǎn)情況，并進(jìn)一步對(duì)風(fēng)險(xiǎn)等級(jí)分類(lèi)進(jìn)而分析各城市房?jī)r(jià)風(fēng)險(xiǎn)在地理空間分布上的差異。在第二部分給出在險(xiǎn)價(jià)值理論發(fā)展與房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)度量研究現(xiàn)狀的文獻(xiàn)整理，第三部分提出文章的研究設(shè)計(jì)，基于研究思路第四部分實(shí)現(xiàn)了實(shí)證與結(jié)果分析，并在第五部分提供了相關(guān)結(jié)論與建議。

2?理論基礎(chǔ)與文獻(xiàn)回顧

2.1?在險(xiǎn)價(jià)值理論研究現(xiàn)狀

在險(xiǎn)價(jià)值（VaR）是指一項(xiàng)給定的資產(chǎn)或負(fù)債在一定時(shí)間內(nèi)與一定置信度下，投資者投資獲取的最小期望損失，主要運(yùn)用于投資領(lǐng)域的風(fēng)險(xiǎn)度量，是金融風(fēng)險(xiǎn)管理者常用的風(fēng)險(xiǎn)度量指標(biāo)。最早在正態(tài)分布假設(shè)下計(jì)算VaR的方法由J.P.Morgan（1994）提出。隨著在險(xiǎn)價(jià)值計(jì)算優(yōu)化與領(lǐng)域開(kāi)拓使用的發(fā)展，Cindy?I?Ni（2000）也通過(guò)合并十種貨幣利率互換收益率曲線的共同因素，創(chuàng)新開(kāi)發(fā)出一種利率互換投資組合的風(fēng)險(xiǎn)價(jià)值計(jì)算方式［1］。可盡管在險(xiǎn)價(jià)值應(yīng)用廣泛，但其忽略了任何超出其自身水平的損失，該種現(xiàn)象亦被稱(chēng)為“尾部風(fēng)險(xiǎn)”。Mhamed?Mesfioui和Jean-Franois?Quessy（2005）給出了計(jì)算在險(xiǎn)價(jià)值上下限的優(yōu)化方式之一，討論了在只有風(fēng)險(xiǎn)的均值和方差可用的情況下，通過(guò)對(duì)與風(fēng)險(xiǎn)向量相關(guān)矩陣的所有可能值進(jìn)行優(yōu)化可以得到明確的界限可以［2］。近年來(lái)伴隨機(jī)器學(xué)習(xí)方法的成熟，基于在險(xiǎn)價(jià)值的風(fēng)險(xiǎn)測(cè)度研究在結(jié)合各類(lèi)模型的情形下，其準(zhǔn)確性與規(guī)范性也在逐漸提高。Zhijian?He（2022）基于隨機(jī)準(zhǔn)蒙特卡羅的條件下對(duì)在險(xiǎn)價(jià)值敏感性進(jìn)行估計(jì)，證明了該模擬下的估計(jì)在非常溫和的條件下是強(qiáng)一致的［3］。James?W.Taylor（2022）使用動(dòng)態(tài)ω比R的模型預(yù)測(cè)了在險(xiǎn)價(jià)值和預(yù)期短缺，并于在險(xiǎn)價(jià)值和預(yù)期不足的聯(lián)合模型中提出了一個(gè)時(shí)變乘性因子，證明了聯(lián)合模型中二者擁有不同的動(dòng)態(tài)［4］。在VaR的預(yù)測(cè)上，Kshitij（2022）等人基于GARCH-LSTM的混合集成學(xué)習(xí)方法完成對(duì)其的預(yù)測(cè)，利用參數(shù)化和濾波歷史模擬方法預(yù)測(cè)出一天前95%和99%風(fēng)險(xiǎn)值（VaR）估計(jì)的波動(dòng)率［5］。此外，Robert?James等人（2023）擴(kuò)展了在預(yù)測(cè)尾部風(fēng)險(xiǎn)的方法上，也可以通過(guò)對(duì)影響風(fēng)險(xiǎn)極值分布規(guī)模的一組稀疏協(xié)變量進(jìn)行時(shí)變數(shù)據(jù)驅(qū)動(dòng)的選擇，實(shí)現(xiàn)對(duì)二階段GARCH-EVT模型的正則化擴(kuò)展［6］。

2.2?房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)度量研究現(xiàn)狀

現(xiàn)有房地產(chǎn)市場(chǎng)的風(fēng)險(xiǎn)度量主要集中于房地產(chǎn)投資及地產(chǎn)資產(chǎn)管理方面，而在險(xiǎn)價(jià)值的相關(guān)實(shí)證研究除去金融資產(chǎn)風(fēng)險(xiǎn)管理領(lǐng)域，其創(chuàng)新成果也在我國(guó)房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)的測(cè)度上有所引入與使用。黃金枝和鄭榕萍（1999）使用不可分散風(fēng)險(xiǎn)度量β的方式完成房地產(chǎn)組合投資決策模型，實(shí)現(xiàn)房地產(chǎn)組合投資系統(tǒng)風(fēng)險(xiǎn)最小化的目標(biāo)［7］。余世暐（2017）使用EGARCH-SDSVa?R模型主要研究了房地產(chǎn)個(gè)股價(jià)格風(fēng)險(xiǎn)溢出效應(yīng)，且房地產(chǎn)市場(chǎng)股價(jià)波動(dòng)越劇烈，風(fēng)險(xiǎn)溢出效應(yīng)越強(qiáng)烈［8］。

房地產(chǎn)價(jià)格作為房地產(chǎn)市場(chǎng)的重要組成部分，其風(fēng)險(xiǎn)更為直觀明顯，但現(xiàn)有關(guān)于房地產(chǎn)價(jià)格風(fēng)險(xiǎn)的研究更偏向于周期波動(dòng)與變化率規(guī)律探究。沈悅和劉洪玉（2004）對(duì)我國(guó)住宅市場(chǎng)不符合有效市場(chǎng)假說(shuō)且經(jīng)濟(jì)基本面對(duì)住宅價(jià)格解釋模型存在顯著影響進(jìn)行了探討［9］。王琴英（2014）等人使用三角函數(shù)擬合周期波動(dòng)模型，發(fā)現(xiàn)我國(guó)主要一線城市的房?jī)r(jià)均已進(jìn)入下行波動(dòng)周期［10］。何愷和程道平（2016）使用綜合直線賦權(quán)評(píng)價(jià)方法，以濟(jì)南市房地產(chǎn)市場(chǎng)構(gòu)建了相關(guān)風(fēng)險(xiǎn)指標(biāo)體系，說(shuō)明了濟(jì)南出現(xiàn)地產(chǎn)市場(chǎng)價(jià)格、庫(kù)存風(fēng)險(xiǎn)相對(duì)較高、總風(fēng)險(xiǎn)水平逐年升高的現(xiàn)象［11］。但現(xiàn)有部分學(xué)者在房地產(chǎn)市場(chǎng)價(jià)格聯(lián)動(dòng)上對(duì)以往值單獨(dú)討論房?jī)r(jià)周期的波動(dòng)不足。王雪等人（2021）在運(yùn)用?DAG?和溢出指數(shù)兩種方法的基礎(chǔ)上，在房?jī)r(jià)增長(zhǎng)趨勢(shì)和波動(dòng)特征兩方面研究了北上廣深核心房地產(chǎn)市場(chǎng)價(jià)格聯(lián)動(dòng)和溢出效應(yīng)［12］。張卓群和張濤（2021）通過(guò)ARIMA-R-Vine?Copula模型實(shí)現(xiàn)70個(gè)全國(guó)大中城市房?jī)r(jià)關(guān)聯(lián)效應(yīng)與城市間房?jī)r(jià)波動(dòng)風(fēng)險(xiǎn)傳染的預(yù)防研究。

綜上，現(xiàn)有關(guān)于在險(xiǎn)價(jià)值理論的發(fā)展、計(jì)算方式、跨領(lǐng)域使用目前已較為成熟，但關(guān)于房地產(chǎn)價(jià)格風(fēng)險(xiǎn)度量的研究主要在兩個(gè)方面有所不足：①研究視角上，有關(guān)房地產(chǎn)價(jià)格的研究大多偏向于全國(guó)、區(qū)域總體房?jī)r(jià)及單一城市房?jī)r(jià)研究，有關(guān)房?jī)r(jià)風(fēng)險(xiǎn)空間地理分布特征及價(jià)格風(fēng)險(xiǎn)評(píng)估的研究較少。②研究方法上，房地產(chǎn)價(jià)格或價(jià)格指數(shù)相關(guān)風(fēng)險(xiǎn)評(píng)估的研究在風(fēng)險(xiǎn)理論的解釋支持上還有所缺失。因此文章擬從70個(gè)大中城市的房地產(chǎn)價(jià)格研究視角，使用歷史模擬法和蒙特卡洛模擬法完成房?jī)r(jià)指數(shù)波動(dòng)的在險(xiǎn)價(jià)值風(fēng)險(xiǎn)度量，以Arc?GIS軟件直觀其風(fēng)險(xiǎn)差異的空間分布特征。

3?數(shù)據(jù)來(lái)源與模型介紹

3.1?數(shù)據(jù)處理與說(shuō)明

本次研究選取時(shí)間窗口2013年1月至2022年12月，面板數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)70個(gè)大中城市房?jī)r(jià)指數(shù)。由于該時(shí)間窗口內(nèi)二手住宅價(jià)格指數(shù)和住宅價(jià)格指數(shù)含有數(shù)據(jù)缺失部分，故研究采用新建商品住宅價(jià)格環(huán)比指數(shù)，將其轉(zhuǎn)化為以2013年1月為基期的數(shù)據(jù)，通過(guò)收益率以計(jì)算95%置信水平下的VaR值。

3.2?模型介紹

VaR測(cè)算的方式一般可分為三種，基于正態(tài)分布的方差-協(xié)方差法、歷史模擬法和蒙特卡洛模擬法，文章主要使用后兩種方式。①歷史模擬。作為一種非參數(shù)的計(jì)算方法，對(duì)未來(lái)n個(gè)數(shù)據(jù)風(fēng)險(xiǎn)因子變化的表示主要基于給定歷史時(shí)期觀測(cè)到的風(fēng)險(xiǎn)因子，對(duì)風(fēng)險(xiǎn)因子的未來(lái)?yè)p益分布，通過(guò)分位數(shù)計(jì)算VaR值。該方法使用真實(shí)市場(chǎng)價(jià)格或價(jià)格指數(shù)實(shí)現(xiàn)歷史收益率序列抽樣，其數(shù)據(jù)在允許非正態(tài)分布外也對(duì)市場(chǎng)隨機(jī)結(jié)構(gòu)與統(tǒng)計(jì)分布無(wú)假設(shè)要求與限制，無(wú)須測(cè)度前估計(jì)風(fēng)險(xiǎn)因子波動(dòng)性和收益相關(guān)性情況。②蒙特卡洛模擬。其原理是通過(guò)反復(fù)模擬風(fēng)險(xiǎn)因子變量隨機(jī)過(guò)程，從而建立隨機(jī)過(guò)程模型，計(jì)算過(guò)程仍使用全值估計(jì)法。蒙特卡洛模擬每次模擬都可得到所測(cè)價(jià)格或價(jià)格指數(shù)在時(shí)間窗口期末的一個(gè)可能價(jià)值，并獲取相關(guān)風(fēng)險(xiǎn)因子的一個(gè)未來(lái)變化情景。在進(jìn)行大量模擬后，數(shù)據(jù)的模擬分布將收斂并推導(dǎo)出原數(shù)據(jù)的真實(shí)分布，同樣可通過(guò)分位數(shù)計(jì)算VaR值。

4?實(shí)證分析

4.1?VaR測(cè)算

一線及新一線城市均值收益率在2013年2月至2022年12月時(shí)間窗口中，數(shù)據(jù)偏度為8.473>0，序列呈明顯左偏分布，峰度K=85.708>3，收益率圍繞0.0007的均值上下波動(dòng)，表明一線與新一線城市目前在房?jī)r(jià)收益漲幅上都較小且無(wú)明顯差異。二三線其他城市均值收益率小于0，表明截至2022年年末大部分城市房?jī)r(jià)仍處于房?jī)r(jià)下跌狀態(tài)，偏度為0.156>0，序列呈左偏分布，峰度K=3.633>3?？偟膩?lái)說(shuō)，三類(lèi)收益率序列都存在“尖峰厚尾”特征。但由于P值小于0表明正態(tài)性檢驗(yàn)未通過(guò)，即數(shù)據(jù)仍是非正態(tài)分布，符合歷史模擬法和蒙特卡洛模擬法計(jì)算條件。

圖1?70個(gè)大中城市VaR值

圖1給出了70個(gè)大中城市基于收益率計(jì)算的平均一個(gè)月的VaR值。其中一線城市房?jī)r(jià)指數(shù)波動(dòng)風(fēng)險(xiǎn)相近但也存在相對(duì)獨(dú)立性。在95%的置信水平下，歷史模擬下估計(jì)的70個(gè)大中城市在險(xiǎn)價(jià)值中海口市具有最高VaR值為0.0118，鄭州市具有最低VaR值為0.0018。傳統(tǒng)一線城市中北京市作為其中最低VaR值的城市，其房?jī)r(jià)指數(shù)損失不超過(guò)0.0071，最高VaR值的城市為深圳市，房地產(chǎn)價(jià)格指數(shù)波動(dòng)的期望損失不超過(guò)0.0099。盡管深圳市房?jī)r(jià)指數(shù)風(fēng)險(xiǎn)性高于北京市，但傳統(tǒng)的四個(gè)一線城市房?jī)r(jià)指數(shù)波動(dòng)的期望損失都較為接近，尤其于蒙特卡洛模擬估計(jì)下，北京與上海的風(fēng)險(xiǎn)差異不超過(guò)6.6個(gè)百分點(diǎn)，廣州和深圳的風(fēng)險(xiǎn)差異不超過(guò)6.4個(gè)百分點(diǎn)。一線城市間風(fēng)險(xiǎn)差異較小現(xiàn)象的出現(xiàn)主要源于一線城市的房?jī)r(jià)波動(dòng)聯(lián)合效應(yīng)，單個(gè)城市房?jī)r(jià)波動(dòng)相對(duì)獨(dú)立，但也會(huì)形成相互沖擊（王雪、韓永輝等，2021）。

新一線城市之間房?jī)r(jià)指數(shù)波動(dòng)風(fēng)險(xiǎn)具有較大差異。將新一線城市歷史模擬VaR值分為風(fēng)險(xiǎn)相對(duì)較低（VaR值0.004以下）、一般風(fēng)險(xiǎn)（VaR值0.004～0.006）、風(fēng)險(xiǎn)相對(duì)較高（VaR值0.006以上）三級(jí)，處于高風(fēng)險(xiǎn)的城市由高到低依次為成都、杭州、合肥、青島，第二等級(jí)的城市為重慶、西安、武漢、南京、天津，相對(duì)來(lái)說(shuō)風(fēng)險(xiǎn)較低的城市為寧波、長(zhǎng)沙和鄭州。其中擁有最高期望損失的城市為成都市，相比于最低的鄭州市，高出466.7個(gè)百分點(diǎn)。新建商品房?jī)r(jià)格波動(dòng)風(fēng)險(xiǎn)最高的成都市事實(shí)上并非來(lái)自商品房?jī)r(jià)格波動(dòng)本身，而是源于近年來(lái)成都市興起拋售二手房熱潮，加之限購(gòu)政策，其整體房?jī)r(jià)的跌幅并不明朗。鄭州市的房?jī)r(jià)近年來(lái)趨于下跌，但其本身作為第一個(gè)取消“認(rèn)房又認(rèn)貸”的城市，鄭州市的限購(gòu)政策也降低了青年面對(duì)高房?jī)r(jià)的“擠出效應(yīng)”并有效抑制投資投機(jī)性購(gòu)房行為，降低了房?jī)r(jià)大幅波動(dòng)風(fēng)險(xiǎn)。

圖2進(jìn)一步直觀體現(xiàn)了不同風(fēng)險(xiǎn)下70個(gè)大中城市房?jī)r(jià)指數(shù)風(fēng)險(xiǎn)在空間地理上的分布。以相等間隔將70個(gè)城市的風(fēng)險(xiǎn)值劃分為低、中、高三類(lèi)，歷史模擬下東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會(huì)城市房?jī)r(jià)風(fēng)險(xiǎn)測(cè)度結(jié)果相對(duì)較高，中風(fēng)險(xiǎn)城市多集中于我國(guó)中南地區(qū)，低風(fēng)險(xiǎn)區(qū)較為分散且城市數(shù)較小，包括鄭州、西安、寧波、長(zhǎng)沙、天津等市。蒙特卡洛模擬來(lái)源于收益率均值對(duì)歷史每月的數(shù)據(jù)隨機(jī)生成估計(jì)，在未來(lái)平均風(fēng)險(xiǎn)估計(jì)上更具適用性。其在歷史VaR計(jì)算結(jié)果上大部分城市相對(duì)整體風(fēng)險(xiǎn)水平更高，70個(gè)大中城市房?jī)r(jià)指數(shù)收益率波動(dòng)多集中于中高風(fēng)險(xiǎn)區(qū)間。

圖2?70個(gè)大中城市VaR值測(cè)算相對(duì)空間分布格局

4.2?風(fēng)險(xiǎn)預(yù)測(cè)使用蒙特卡洛模擬法對(duì)70個(gè)大中城市房?jī)r(jià)指數(shù)預(yù)測(cè)2023年VaR風(fēng)險(xiǎn)值并降序顯示如圖3所示。其中風(fēng)險(xiǎn)最高城市為無(wú)錫市，VaR預(yù)測(cè)值達(dá)到0.0146，即2023年無(wú)錫市新建商品房房?jī)r(jià)指數(shù)波動(dòng)的最大期望損失不超過(guò)0.0146；最低的城市為大連市，其房?jī)r(jià)指數(shù)波動(dòng)最大期望損失不超過(guò)0.0049。在傳統(tǒng)一線城市中，深圳市風(fēng)險(xiǎn)值最高，預(yù)期最大收益損失為0.0135，廣州市最小，VaR測(cè)算為0.0089。新一線城市中，風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果最高的城市為杭州市，其VaR值為0.0133，而最低的新一線城市為重慶市，預(yù)期損失不超過(guò)0.0074。綜合各類(lèi)城市房?jī)r(jià)收益率均值，預(yù)測(cè)一線城市在2023年的平均風(fēng)險(xiǎn)為0.0057，新一線城市為0.0061，其他二三線城市平均波動(dòng)風(fēng)險(xiǎn)較低為0.0027。總的來(lái)說(shuō)，新一線城市平均房?jī)r(jià)波動(dòng)風(fēng)險(xiǎn)略有上升，傳統(tǒng)一線城市和其他二三線城市平均風(fēng)險(xiǎn)則相對(duì)有所下降，且2023年房?jī)r(jià)指數(shù)測(cè)算的風(fēng)險(xiǎn)值按相等間隔可劃分為四個(gè)區(qū)域：低風(fēng)險(xiǎn)區(qū)（0.0049～0.0073）、一般風(fēng)險(xiǎn)區(qū)（0.0073～0.0098）、較高風(fēng)險(xiǎn)區(qū)（0.0098～0.0122）、高風(fēng)險(xiǎn)區(qū)（0.0122～0.0146）。通過(guò)其分布發(fā)現(xiàn)，未來(lái)風(fēng)險(xiǎn)測(cè)算的低風(fēng)險(xiǎn)區(qū)多集中于東北地區(qū)，而70個(gè)大中城市房?jī)r(jià)指數(shù)波動(dòng)的風(fēng)險(xiǎn)主要聚集在一般風(fēng)險(xiǎn)區(qū)，且城市大多居于中南、西南地區(qū)。處于較高風(fēng)險(xiǎn)區(qū)的除北京、青島、鄭州外以二三線城市為主，其地理分布較為分散。風(fēng)險(xiǎn)預(yù)測(cè)在高風(fēng)險(xiǎn)區(qū)的有無(wú)錫、杭州、福州、深圳、三亞市，多為東部沿海城市且風(fēng)險(xiǎn)值高于0.0122，房?jī)r(jià)指數(shù)波動(dòng)預(yù)期損失較大。

圖3?70個(gè)大中城市VaR預(yù)測(cè)值

5?結(jié)論與啟示

5.1?結(jié)論

文章運(yùn)用歷史模擬和蒙特卡洛模擬法評(píng)估了2013年1月至2022年12月期間70個(gè)大中城市新建商品住宅價(jià)格指數(shù)波動(dòng)的在險(xiǎn)價(jià)值并預(yù)測(cè)分析了其城市風(fēng)險(xiǎn)值的主要分布特征。主要結(jié)論如下：①一線城市房?jī)r(jià)指數(shù)波動(dòng)風(fēng)險(xiǎn)相近但也存在相對(duì)獨(dú)立性，風(fēng)險(xiǎn)測(cè)算值由高到低依次為深圳、廣州、上海、北京。②新一線城市之間房?jī)r(jià)指數(shù)存在較大差異，且在平均收益率測(cè)算上相比一線城市房?jī)r(jià)指數(shù)波動(dòng)擁有更高風(fēng)險(xiǎn)。③在地理空間分布上，東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會(huì)城市房?jī)r(jià)風(fēng)險(xiǎn)測(cè)度結(jié)果相對(duì)較高，中風(fēng)險(xiǎn)城市多集中于我國(guó)中南地區(qū)，低風(fēng)險(xiǎn)區(qū)城市較為分散且數(shù)目較少。④預(yù)測(cè)結(jié)果顯示，2023年新一線城市平均房?jī)r(jià)指數(shù)波動(dòng)風(fēng)險(xiǎn)略有上升，而傳統(tǒng)一線城市和其他城市平均風(fēng)險(xiǎn)則相對(duì)有所下降，未來(lái)預(yù)期損失較大的城市多為沿海地區(qū)，波動(dòng)風(fēng)險(xiǎn)預(yù)測(cè)較低的地區(qū)聚集在東北地區(qū)，一般風(fēng)險(xiǎn)區(qū)以西南、中南部城市為主。

5.2?啟示

（1）保持一線城市房?jī)r(jià)變化的風(fēng)向標(biāo)桿，推進(jìn)新一線城市房?jī)r(jià)穩(wěn)預(yù)期。傳統(tǒng)的一線城市北上廣深房?jī)r(jià)波動(dòng)風(fēng)險(xiǎn)大多較為平穩(wěn)，作為我國(guó)房?jī)r(jià)波動(dòng)變化趨勢(shì)的第一梯隊(duì)，對(duì)其的相關(guān)調(diào)控仍應(yīng)加強(qiáng)，嚴(yán)抓一線城市地產(chǎn)行業(yè)過(guò)度投機(jī)與擾亂地產(chǎn)行業(yè)秩序的行為。新一線城市因地區(qū)差異城市間房?jī)r(jià)風(fēng)險(xiǎn)差異大，其在確保宏觀調(diào)控房?jī)r(jià)風(fēng)向的同時(shí)，新一線城市相關(guān)青年友好地產(chǎn)政策也需在結(jié)合市場(chǎng)動(dòng)向的同時(shí)調(diào)控好當(dāng)下新一線房?jī)r(jià)基本變動(dòng)方向，保障青年及城市內(nèi)居民住房的剛性需求得以滿(mǎn)足。

（2）不同地區(qū)施行因地制宜的地產(chǎn)行業(yè)相關(guān)政策，因勢(shì)利導(dǎo)開(kāi)展宏觀調(diào)控。東北地區(qū)大部分城市房?jī)r(jià)波動(dòng)預(yù)期都較低，而且其地區(qū)內(nèi)房?jī)r(jià)面臨著難以上漲的局面，受其經(jīng)濟(jì)發(fā)展緩慢與人才大幅流出影響，需結(jié)合東北振興戰(zhàn)略，提升房地產(chǎn)相關(guān)的地方人才引進(jìn)的政策紅利。沿海發(fā)達(dá)地區(qū)房?jī)r(jià)首先要做到穩(wěn)地價(jià)、穩(wěn)房?jī)r(jià)，防范單一地產(chǎn)集團(tuán)在同一地區(qū)土地儲(chǔ)備過(guò)多，引起區(qū)域房?jī)r(jià)聯(lián)動(dòng)風(fēng)險(xiǎn)。西南、中南地區(qū)二三線城市相比于經(jīng)濟(jì)更為發(fā)達(dá)的沿海城市，其房?jī)r(jià)波動(dòng)風(fēng)險(xiǎn)相對(duì)降低，該地區(qū)在歷史和預(yù)期上的風(fēng)險(xiǎn)性變動(dòng)較小，更應(yīng)把握住房住不炒、多需求供給帶來(lái)的政策福利，吸引并儲(chǔ)備一線、新一線城市外溢人才。

（3）完善房?jī)r(jià)風(fēng)險(xiǎn)監(jiān)測(cè)評(píng)估體系，關(guān)注地區(qū)房?jī)r(jià)風(fēng)險(xiǎn)關(guān)聯(lián)效應(yīng)。有關(guān)房?jī)r(jià)風(fēng)險(xiǎn)的測(cè)度不止有在險(xiǎn)價(jià)值，評(píng)估指標(biāo)除房?jī)r(jià)指數(shù)外也有較多其他相關(guān)影響因素，且隨著后續(xù)國(guó)家租購(gòu)并舉住房制度的開(kāi)展，二手商品房的房?jī)r(jià)變動(dòng)影響也將進(jìn)一步擴(kuò)大，故對(duì)房?jī)r(jià)風(fēng)險(xiǎn)的指標(biāo)體系還需要擴(kuò)展并及時(shí)加以完善，建立相應(yīng)的數(shù)據(jù)庫(kù)予以實(shí)時(shí)監(jiān)測(cè)。此外地區(qū)間的房?jī)r(jià)大多具有聯(lián)合效應(yīng)，房?jī)r(jià)風(fēng)險(xiǎn)的傳染與擴(kuò)大也需早做預(yù)防。

參考文獻(xiàn)：

［1］NIFFIKEER?C?I，HEWINS?R?D，F(xiàn)LAVELL?R.A?synthetic?factor?approach?to?the?estimation?of?value-at-risk?of?a?portfolio?of?interest?rate?swaps［J］.Journal?of?banking?&?finance，2000，99：119-121.

［2］MESFIOUI?M，QUESSY?J.Bounds?on?the?value-at-risk?for?the?sum?of?possibly?dependent?risks［J］.Insurance：mathematics?and?economics，2005，37（1）：135-151.

［3］HE?Z?J.Sensitivity?estimation?of?conditional?value?at?risk?using?randomized?quasi-Monte?Carlo［J］.European?journal?of?operational?research，2022，298（1）：229-242.

［4］TAYLOR?J?W.Forecasting?value?at?risk?and?expected?shortfall?using?a?model?with?a?dynamic?omega?ratio［J］.Journal?of?banking?&?finance，2022，140：106519.

［5］KAKADE?K，JAIN?I，MISHRA?A?K.Value-at-Risk?forecasting：a?hybrid?ensemble?learning?GARCH-LSTM?based?approach［J］.Resources?Policy，2022，78：102903.

［6］JAMES?R，LEUNG?H，LEUNG?J，et?al.Forecasting?tail?risk?measures?for?financial?time?series：An?extreme?value?approach?with?covariates［J］.Journal?of?empirical?finance，2023，71：29-50.

［7］黃金枝，鄭榕萍.以不可分散風(fēng)險(xiǎn)β為測(cè)度的房地產(chǎn)組合投資優(yōu)化決策模型［J］.基建優(yōu)化，1999（1）：2-4，11.

［8］余世暐.中國(guó)房地產(chǎn)股票價(jià)格風(fēng)險(xiǎn)溢出效應(yīng)研究——基于SDSVaR模型的微觀測(cè)度和解釋?zhuān)跩］.價(jià)格理論與實(shí)踐，2017（8）：96-99.

［9］沈悅，劉洪玉.住宅價(jià)格與經(jīng)濟(jì)基本面：1995—2002年中國(guó)14城市的實(shí)證研究［J］.經(jīng)濟(jì)研究，2004（6）：78-86.

［10］王琴英，古麗慧，郭慧君.我國(guó)一線城市房?jī)r(jià)周期波動(dòng)分析與預(yù)測(cè)［J］.價(jià)格理論與實(shí)踐，2014（5）：55-57.

［11］何愷，程道平.我國(guó)城市房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)測(cè)度研究——基于綜合賦權(quán)評(píng)價(jià)方法對(duì)濟(jì)南市的測(cè)算［J］.價(jià)格理論與實(shí)踐，2016（10）：148-151.

［12］王雪，韓永輝，趙賢，等.核心城市房地產(chǎn)市場(chǎng)的聯(lián)動(dòng)和溢出特征研究——基于中國(guó)“北上廣深”樣本的經(jīng)驗(yàn)考察［J］.運(yùn)籌與管理，2021，30（7）：232-239.