房地产繁荣和整体通胀：来自机器学习的见解

房地产繁荣和整体通胀：来自机器学习的见解 杨,杨Di,赵案WP/22/151 基金组织工作文件描述了作者正在进行的研究，并发表这些研究以征求意见并鼓励辩论。 基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执董会或基金组织管理层的观点。 2022 7月 ©2022国际l莫内塔基金WP/22/151 国际货币基金组织的工作论文 战略、政策和审查部门 房地产繁荣和整体通胀：来自机器学习的见解作者：YangLiu，DiYang，YunhuiZhao1 授权由斯蒂芬·丹宁格于2022年7月分发 基金组织工作文件描述了作者正在进行的研究，并发表这些研究以征求意见并鼓励辩论。基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执董会或基金组织管理层的观点。 文摘:在大流行期间，通货膨胀一直在上升，以应对供应链中断和全球自住房价的多年繁荣。我们提出了一些程式化的事实，指出房价是美国和其他八个房价快速上涨的主要经济体总体通胀的领先指标。然后，我们应用机器学习方法来预测总体通货膨胀的两个住房组成部分（租金和自住住房成本）的通货膨胀，并对通货膨胀影响进行初步推断。我们的研究结果表明，对于这些国家中的大多数来说，住房成分可能对整体通胀产生相对较大和持续的贡献，因为通胀刚刚开始反映较高的房价。从方法上讲，对于我们分析的绝大多数国家来说，机器学习模型优于VAR模型，这表明将这些模型纳入通货膨胀预测具有一定的潜在价值。 建议引用:刘亚、吴迪亚和赵云辉。2022.“房地产繁荣和总体通货膨胀：来自机器学习的见解”，国际货币基金组织工作Pa每号。WP/22/151，国际货币基金组织，华盛顿特区 冻胶分类数字: C10,C53、E31E37R30 关键词: 房价通胀;租金;自住住房;机器学习;预测 作者的电子邮件地址: YLiu10@imf.org;DYang@imf.org;YZhao@imf.org 1我们感谢海伦娜·波尔森在项目早期阶段的贡献;感谢斯蒂芬·丹宁格、西尔维娅·多米特、里希·戈亚尔、普拉纳夫 ·古普塔、德尼兹·伊根、迪维亚·柯蒂、弗拉基米尔·克柳耶夫、李林、维娜·阮、尼尔·奥汉隆、乔纳森·奥斯特里 、马里卡·桑托罗、凯文·怀斯曼、国际货币基金组织和卢森堡中央银行在工作文件审查阶段的审稿人以及12月7日战略审查监督审查员会议的与会者的非常有益的评论，2021年，以及2022年3月2日的全基金介绍;以及陈立学的出色研究帮助。我们还要感谢NinaBiljanovska和ChenxuFu分享了一些关于租金和自住住房成本通胀的历史数据。 内容摘要2 I.介绍4 II.文献回顾6 III.美国案例8 A.程式化事实8 B.方法和数据11 C.重新测试和模型选择15 D.预测结果18 E.鲁棒性检查22 IV.选择其他国家24 A.程式化事实24 B.方法和数据29 C.重新测试和模型选择30 D.预测结果31 E.鲁棒性检查34 F.房价快速增长的另外十个国家的热图35 V.结论36和操作的影响 引用44 I.我NTRODUCTION COVID-19大流行进一步延长了多年的房地产繁荣。这种繁荣在发达经济体和新兴市场以及各大洲都有发现。例如，土耳其的名义自住房价在2016Q1年至2021年第4季度之间翻了一番多（最新数据点） （图1，右轴）。在美国，名义房价在2016Q1至2022Q1之间上涨了60%以上，最近的增长速度高于全球金融危机前时期（图1，左轴;图2a;另见赵，2020年）。出于对金融、宏观经济和社会稳定的关注，2房价的急剧上涨和高水平越来越受到政策制定者的关注。例如，在自2003年以来的首次战略评估（2021年7月完成）中，拉加德行长指出，欧洲央行听到“响亮而明确”的两大担忧是气候变化和住房成本（金融时报，2021年7月12日）。 图1.选定国家的名义自住房价指数 (2016q1-2022q1;2016q1=100) 来源:经济合作与发展组织和作者的计算。 这种房价上涨恰逢数十年来高企的总体通胀，这自然引发了一个问题，即房价上涨对整体通胀的贡献有多大。在这些背景下，我们在本文中阐明了三个相关问题。 2例如，2021年9月，两万名居民抗议柏林负担不起的租金，这个问题与房屋销售价格上涨密切相关（WSWS.org ，2021年9月13日）。 首先，高总体通胀是否伴随着自住房价的高增长？ 从概念上讲，答案尚不清楚。除了特定国家的结构性因素，如细分的租赁市场和住房政策，冲击的类型也很重要：如果较高的房价反映了由于（例如）对在家工作的需求增加而对“住房空间”的总体需求增加，那么租金（以及因此的总体通货膨胀）可能会与房价同步上涨。但是，如果较高的房价反映了相对于租金而言，对更多房屋所有权的偏好转变，则可能不会导致更高的租金（因此更高的标题）。通货膨胀。此外，净效应还取决于较高的房价对非住房部门通货膨胀、财富渠道和信贷渠道的溢出效应（见文献综述）。 从经验上讲，也很难严格确定房价增长与整体通胀之间的因果关系。在这种情况下，我们提供了一些风格化的事实，表明房价增长似乎是美国和一些选定国家总体通胀的领先指标。 其次，哪些方法在预测租金通胀和（如果适用）自住住房成本与房价方面效果最好？我们发现 ，在我们分析的九个国家中，有八个国家/地区的特定机器学习模型在样本外预测性能比较中优于向量自回归（VAR）模型。这可能反映了机器学习模型在宏观经济预测中的好处，例如捕获非线性的能力。宏观经济预测人员可以探索我们针对特定国家的机器学习模型，以预测租金和（如果适用）自住住房成本的通货膨胀，然后可用于计算对总体通货膨胀的贡献和 告诉他们自己的预测。 第三，在不考虑一般均衡效应和政策反应的情况下，住房组成部分（租金和自住住房成本）的通货膨胀在多大程度上直接导致总体通货膨胀？我们发现，在我们研究的大多数国家中，住房组成部分对总体通胀的直接贡献不成比例地高于其在2020年总体通胀中的权重，因为2020年的租金和自住住房成本下降速度慢于总体通胀。然后贡献下降 2021年，随着租金和自住住房成本开始赶上2020年房价的快速增长，以及由于（例如）供应链中断 ，非住房组成部分的通货膨胀在推动整体通胀方面发挥了主导作用。 展望未来，我们的预测模型表明，由于租金和自住住房成本对迄今为止房价快速增长的反应滞后，这些住房组成部分对整体通胀的贡献将在中期内上升;在某些情况下，它们甚至可能占《世界经济展望》预测的总体通胀的一半以上，这突出了仔细模拟住房组成部分的通胀压力的重要性。这些结果表明，即使在非住房供应中断之后 行业和相关通胀压力缓解，房价上涨（以及租金和自住住房成本上涨）的压力将继续增加。反过来，这将使整体CPI通胀更加持久，使货币政策制定复杂化。 我们想指出的是，我们的方法只关注房价增长对整体通胀的直接影响。它没有考虑一般均衡效应（例如住房对非住房部门的溢出效应）。3，也没有考虑到通胀预期、政策反应以及总体通胀对房价的反馈的潜在脱锚。因此，我们的预测在两个方向上都存在偏差。与此相关的是，我们的方法可作为辅助预测总体通胀的补充工具，而不是替代当前的通胀预测模型。 本文其余部分的结构如下。第二节回顾了相关文献;第三部分分析了美国的情况，因为美国房地产繁荣对通胀的影响对美联储的政策产生影响，从而影响全球溢出效应;第四节分析了房价增长迅速的其他一些国家;第五节总结并讨论了可能涉及的业务问题。附录收集了一些技术细节。 II.l文学R触摸屏 我们的论文涉及三个方面的文学。首先，它与关于房价与总体通货膨胀之间相互作用的文献有关。在理论方面，较高的房价可能通过财富渠道和信贷渠道导致更高的总体通货膨胀：前者发生在现有房主感觉更富有和消费更多时（参见，例如，Mishkin，2007），后者发生在房主的较高净资产导致更有价值的抵押品并使他们能够获得更高的房屋净值贷款（见，例如，伯南克和格特勒，1995年）。在实证方面，Goodhart和Hofmann（2000）发现，在所有考虑的资产价格中，房价具有预测CPI通胀的最大功效。DeHaan和VandenEnd（2017）使用九个国家的跨国预测模型发现，高资产价格（包括房价）通常预示着高通胀。然而，一些国家的情况正好相反，突出表明需要建立针对具体国家的模式。 其次，我们的论文与关于房价与总体通货膨胀（如租金）中住房成本成分之间联系的文献有关 。在这方面，大量的文献研究了房价与租金的比率。从理论上讲，房价和租金预计将大致一致，因为无套利条件意味着价格应等于未来租金的贴现流量。 3一些实证研究，如Iacoviello（2010），发现对于美国来说，“房价的变动与其他价格的变动只有松散的联系。也 就是说，在美国，住房对非住房部门的溢出效应在经验上很小。然而，对于其他国家来说，这种溢出效应可能很大。 然而，在实践中，由于宏观审慎政策和人口因素等各种原因，租金和房价可能会朝着不同的方向移动 。例如，Cronin和McQuinn（2016）发现，贷款价值比率的降低导致对租赁单位的需求增加，价格与租金比率降低。此外，Begley，Loewenstein和Willen（2019）发现，价格-租金比率在所有房产类型中变化相似，但因地理位置而异，这可以部分解释为对人口增长的不同预期。 此外，由于市场摩擦和其他因素，租金可以对房价做出滞后反应。例如，Zhou和Dolmas（ 2021）发现，房价增长导致美国的租金通胀和开放式教育资源通胀不到两年。同样，布雷西亚（2021 ）发现，从历史上看，房价上涨导致美国CPI住房成本指标（包括租金和业主等价租金）的变化增加了约五分之五。这两篇论文都表明，COVID-19危机期间房价升值的滞后效应可能会使美国的总体通胀时间超过预期。国际货币基金组织2021年10月的《世界经济展望》章节（2021a）估计，未来一个季度名义房价同比上涨一个百分点与两年内年租金通胀累计上升1.4个百分点有关，尽管这项研究没有研究租金（和其他等效概念）对房价增长的滞后反应。 我们的论文与这三项研究密切相关，主要有以下区别：（i）我们应用最新文献中的机器学习模型，并根据回溯测试结果选择表现最佳的模型，补充这些研究中的方法（Zhou和Dolmas的三变量VAR模型，2021年;布雷西亚的线性回归，2021年;国际货币基金组织的当地预测，2021a）.（二）我们涵盖了最近房价快速增长的多个国家（而不是以美国为中心的研究，Zhou和Dolmas，2021年，以及布雷西亚，2021年）。但为了考虑特定国家的制度特征，我们构建了特定国家的制度特征 我们覆盖的每个国家的预测模型（与国际货币基金组织，2021a中的单一跨国模型相反）。 第三，我们的论文与通货膨胀预测和宏观经济预测的文献有关。准确的通胀预测对于央行为货币政策制定提供信息并锚定通胀预期至关重要。但传统观点认为，改进简单的模型具有挑战性，例如Atkeson和Ohanian的随机游走模型。 （2001）或StockandWatson（2007）中的时变未观察到的组件模型，如Stock和Watson（2010）所述 ，并得到大量文献的支持（FaustandWright，2013）。 然而，正如Medeiros等人（2021）指出的那样，这些文献在很大程度上还没有纳入机器学习和大数据方法在经济学中的最新应用。“机器学习”的定义各不相同，但机器学习应用的一个显着特征是它们专注于预测（IMF，2021b），这有助于提高通货膨胀预测的准确性。Medeiros等人（2021）表明 ，在数据丰富的环境中 （在他们的情况下有122个变量），使用机器学习模型的收益在均方误差方面可能高达30%，并且这些模型可以帮助揭示未来通货膨胀的主要驱动因素。Masini、Medeiros和Mendes（2021）在他们对用于时间序列预测的监督机器学习和高维模型的最新进展的调查中记录了类似的见解，以及Hall（2018 ）在