您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[IMF]:中国房地产市场情绪指数:一种生成式人工智能方法及其在货币政策传导中的应用 - 发现报告

中国房地产市场情绪指数:一种生成式人工智能方法及其在货币政策传导中的应用

2024-12-22IMF申***
中国房地产市场情绪指数:一种生成式人工智能方法及其在货币政策传导中的应用

中国房地产市场预期指数:一种生成式人工智能方法及其在货币政策传导中的应用 陈凯吉(埃默里大学)和赵云辉(国际货币基金组织)WP24264 国际货币基金组织工作论文描述作者(们)正在进行的研究,并公开发表以引发评论和促进辩论。国际货币基金组织(IMF)工作论文中表述的观点是作者(们)的观点,并不一定代表IMF、其执行董事会或IMF管理的观点。 2024 DEC 2024国际货币基金组织 国际货币基金组织工作论文能力发展研究所 WP24264 中国房地产市场景气指数: 一种生成式人工智能方法及其在货币政策传导中的应用 由凯吉陈(埃默里大学)和云辉赵(国际货币基金组织)准备1 经NatanEpstein授权分发,2024年12月 国际货币基金组织工作论文描述作者(们)正在进行的研究,并公开发表以征询评论和鼓励辩论。国际货币基金组织(IMF)工作论文中表达的观点是作者(们)的观点,并不一定代表IMF 、其执行董事会或IMF管理的观点。 摘要:我们通过应用GPT4o对中文新闻报道进行处理,构建了一个每日中国房地市场情绪指数。我们的方法在多个模型中优于传统模型。应用此 验证测试,包括基于一套机器学习指数的测试以及对家庭级数据的测试,我们发现, 在货币之后缓解一个重要的购房群体谁拥有大学学历并且年龄在30至50岁之间 )在更具乐观住房情绪的城市中较低在非住房消费中的反应,而在其他年龄教育群体中的购房者,这种模式并不存在。这表明,由于悲观住房情绪的挤出效应减弱,当前的货币宽松政策可能比过去对中国来说在提振非住房消费方面更为有效。论文还强调了在中国进行配套结构性改革以增强货币政策传导的必要性,这对于其他类似国家来说是一个相关的教训。在方法论上,它提供了一种监测住房情绪的工具,并概述了一些适用于全球其他研究的生成式AI模型应用原则。 推荐引用:陈,凯基,赵云辉2024“中国房地产市场情绪指数:一种生成式人工智能方法及其在货币传递中的应用”,国际货币基金组织,华盛顿特区,国际货币基金组织工作论文No24264 JEL分类法数字: C10C53E31E37R30 关键词: 中国房地产市场情绪;生成式人工智能;货币政策传输;消耗;挤出效应 作者电子邮箱地址: kaijiChenemoryeduYZhaoimforg 1我们感谢金张(埃默里大学)提供的优秀研究协助。我们还要感谢 对与MehdiBenatiyaAndaloussi(除非另有说明,均为国际货币基金组织)的有益讨论表示感激。否则),TohidAtashbar,NinaBiljanovska,AlessiaDeStefani,ChrisEvans,Andras 科马尔米,南力,李柳,罗多维福马诺,鲁伊马诺,胡尔戈莱昂穆里略,莱夫拉特诺夫斯基,克里斯RedlYannickTimmer(美国联邦储备委员会),StijnVanNieuwerburgh(哥伦比亚大学), 杨远臣,姚家雄,六月参加国际货币基金组织研究理念研讨会的人员2023年和2024年10月IMF举办的FUNDALL研讨会,尤其是郭俊如和贾。他(均来自南开大学)。 目录 I引言4 II中国房地产市场情绪指数构10 A数据与方法10 B暂时生成工程原则12 III有效性测试与与其他模型的比较13 A与人工评估比较13 B关于“重大住房政策”公告情感分析22 C房价预测30 DCHMSI实时展示 37 第四一章个关于研究中国货币政策传导机制应用40 A研究设计40 B数据和制度背景42 C实证规范43 D实证结果:乐观制度45 E实证结果:悲观制度48 F实证结果:考虑潜在内生性50 G稳健性检验52 H讨论5 3 V结论和政策含义55 参考文献57 附录61 I引言 监测住房市场情绪对于任何拥有庞大住房部门的国家的家庭、金融机构和政策制定者来说至关重要。这在当前形势下尤其适用于中国,中国正遭受2021年恒大集团流动性危机后的住房困境。为此,中国当局最近放宽了货币政策立场,以提振国内消费和刺激经济。例如,2024年7月一年期贷款市场报价利率(中国的基准利率)下调了10个基点,9月份下调了20个基点,中国人民银行在2024年11月表示将“增加逆周期货币政策的强度”。这引发了关键问题:我们如何准确测量中国的住房市场情绪?这种情绪如何影响货币政策传导及其对中国消费的影响? 新闻文章为衡量市场情绪提供了天然的机会,但传统方法在准确捕捉这些文章中表达的微妙情绪方面面临挑战。人工智能(AI),尤其是由生成式AI驱动的巨型语言模型(LLMs)如GPT4o,由于其处理和理解复杂文本数据的高级能力,在解决这些挑战方面具有巨大潜力。与基于关键词的模型不同,这些模型往往忽略了上下文和细微差别,GPT4o利用深度学习来理解语言中的上下文和微妙之处。与一些其他LLMs(如BERT)相比,这些LLMs需要大量标注数据进行训练,GPT4o可以执行零样本和少样本学习。2使分析多样化和动态文本数据更加灵活。 在这篇论文中,我们应用了OpenAI的GPT4o模型,利用新闻文章数据构建了中国房地产市场情绪指数(CHMSI)。我们提出了多个版本的指数,每个版本都是通过不同级别的“提示”针对生成式AI模型的指令创建的。我们总结了八项有效的“提示工程”原则,这是一个涉及设计和完善输入指令以引导AI模型的过程。我们发现,GPT4o使用“高级”提示构建的住房情绪指数在所有三个标准上都优于传统的基于关键词的模型和许多中国大型语言模型:首先,一致性, 2零样本提示指模型在训练过程中没有看到任何任务示例的情况下执行任务的能力它仅依赖于提示的上下文理解。少样本提示涉及提供少量示例(通常为一到五个)以帮助模型更好地理解任务,然后再在新数据上执行该任务。 人类评估。使用选定的测试文章,通过高级提示从GPT4o模型生成的住房市场情绪得分,与人类评估相比,总和平方误差最低。其次,捕捉重大住房政策宣布周围市场情绪的能力。与其他LLMs生成的对应项相比,GPT4o构建的住房情绪指数表现出更少的噪声,与主要住房政策宣布的符合度更高。第三,使用机器学习模型预测国家住房价格趋势的能力。我们将不同的情绪指数应用于广泛用于宏观经济预测的机器学习模型,以预测房价的年增长率,并对模型进行“赛马”以确定最佳预测模型。我们使用GPT4o构建的情绪指数的优选预测模型(随机森林模型)在预测性能上高于使用传统基于关键词的方法或中国LLMs的模型。根据上述三个标准证实GPT4o构建的情绪指数的有效性后,我们将我们的每日情绪指数数据扩展到最新可用的日期(2024年9月11日)。这样做使我们可以追踪中国正在发生的住房低迷期间以及最近的主要政策后的住房情绪。我们最新的中国住房市场情绪指数可以很好地追踪住房监管政策重要变化 (如“三条红线”政策)和住房市场困境(如与恒大和碧桂园的金融困难相关)周围的住房情绪。它还揭示了政府住房刺激政策对中国家庭对住房市场信心的影响。 我们随后应用我们的CHMSI来评估住房部门的作用以及中国货币宽松政策在刺激国内消费方面的有效性。我们使用了2013年第三季度至2015年第四季度的家庭层面数据集,该数据集包括交易层面的信用卡支出和交易层面的抵押贷款发放。我们的货币政策冲击来自陈、任和赵(2018)的研究,该研究使用基于M2的内生切换货币政策规则构建。 我们的实证策略利用了中国城市在国家级房地产市场情绪方面的差异。我们将这种暴露度衡量为城市级别的百度搜索指数,这充当了该城市潜在购房者关注度的代理,以及城市本地房地产市场冲击的代理。具体而言,通过将百度搜索指数按城市人口进行标准化,我们改进了CHMSI,创建了“关注调整的中国房地产市场情绪指数”(AACHMSI)。我们将城市按照以下标准进行分类:AACHMSIacrossallcitiesandquartersand比较非住房消费对货币政策的反应 家庭之间冲击属于AACHMSI前20百分位数城市(处于“乐观体制”)以及属于AACHMSI后20百分位数城市(处于“悲观体制”)这两个城市群体中家庭对货币政策冲击平均非住房消费反应之间差异,为房地产市场情绪对货币政策传导至非住房消费影响可信估计提供了一个依据。 我们采用局部投影方法来估计房地产市场情绪对货币政策传导至非住房消费交互作用。我们局部投影结果表明,在货币政策放松后,城市购房者非住房消费受到影响在乐观住房情绪增长由 较少特别对于拥有大学学位且年龄在30至50岁之间家庭而言如此。然而,对于其他年龄和教育背景群体,这样模式并不存在。此外,我们发现,在经济情绪更加乐观城市,房价对货币政策放宽反应更大。 我们研究发现,货币政策放松对现有业主非住房消费存在挤出效应,:在货币政策放松之后,房价上涨,这鼓励更多现有业主为了获得未来资本收益而进行房屋升级交易,购买更大房子,这种机制在房地产情绪乐观时尤为相关。由于房价上涨增加了首付,现有业主将减少其当前住房消费。此外 ,更高房价增加了抵押贷款本金(从而增加了未来本金还款);因此, 如果较高本金还款抵消了较低利息支付,现有业主也将减少其未来非住房消费。我们通过开发一个简单分析模型来解释我们发现,该模型突出了具有大学学位且年龄在30至50岁之间一组现有业主“升级”房屋交易(升级到更大房子)。这一群体对整个房地产市场具有量化意义,因为,如Chen等人(2023a)所示,增加家庭升级其现有房屋数量,对总抵押贷款发放额 增加贡献了579,对住房需求增加贡献了616。 这些发现表明,在当前情况下,与过去相比,货币政策可能对刺激中国家庭消费更加有效,因为在当前悲观房地产情绪下,挤出效应可能较弱。此外,为了使货币政策在当前情况下有效刺激家庭消费,其他政策,如住房政策和结构改革,与货币宽松政策协调至关重要。 住宅投机。 我们论文对四个文献领域做出了贡献。首先,它为应用机器学习和大型语言模型进行经济和金融分析新兴文献做出了贡献。在应用机器学习益处方面 ,Medeiros等人(2021年)表明,在数据丰富环境中,使用机器学习模型所获得收益可以达到均方误差方面大约30,并且这些模型可以帮助揭示未来通货膨胀主要驱动因素。3这些收益在我们论文中得到证实,其中基于机器学习验证测试也显示出优于传统方法性能。在应用机器学习成本方面(包括广泛经济成本),Fuster等人(2022)发现,美国黑人和国裔西班牙语抵押贷款借款人不太可能从机器学习在违约预测模型中应用中受益,这种情况不均衡。4至于应用带来利益和成本大型语言模型(LargeLanguageModels)巴蒂克、古普塔和米洛(2024年)使用多个大型语言模型(如ChatGPT4和Claude3Opus)对美国分区法规进行详细评估;他们发现这种方法在二元法规问题上准确率达到96。此外,科莱尼克(2023年)在六个领域(如背景研究)中提出了用例,并认为经济学家可以通过利用大型语言模型来自动化微任务而获得显著收益,同时指出“幻觉”(产生不准确输出)和隐私侵犯风险。而张等人(2024年)提供了提示工程综合调查。 据我们了解,本文是首次将大型语言模型(LLM)应用于家庭金融,特别是在住房和货币政策传导研究中一个。在研究问题上,我们并非使用LLM预测资产价格或回报(如大多数文献中那样),而是旨在运用LLM分析来自新闻媒体 未结构化文本,以构建房屋情绪,这是监管家庭对房价增长预期关键因素 。尽管对于2000年至2010年美国住房和货币政策繁荣和萧条期间市场投机或乐观态度重要性已达成广泛共识,但可供联系到个人级别投机测度大量个人级别房价信念数据在2002年至2006年住房繁荣期间仍然有限。 3类似见解在Medeiros等人(2024)研究中有所记录,该研究考虑了驱动全球 胀常见因素;Joseph等人(2024)在英国通胀预测背景下进行研究;此外,还有将循环神经网络应用于通胀预测文献,例如Barkan等人(2023)和Paranhos(2023)。 4参看SadhwaniGieseckea