中国房地产与股票市场波动的动态关联及传导机制研究

中国房地产与股票市场波动的动态关联及传导机制研究一、引言1.1研究背景在我国经济体系中，房地产市场与股票市场占据着举足轻重的地位，二者的波动对经济运行和投资者行为产生着深远影响。房地产市场作为国民经济的重要支柱产业，与众多上下游产业紧密相连。从产业链上游来看，其发展依赖于钢铁、水泥、玻璃等建材行业，这些行业为房地产开发提供了基础原材料。房地产市场的繁荣能带动建材行业的需求增长，促进相关企业的生产与发展；反之，房地产市场的低迷则会导致建材行业产能过剩，企业面临经营困境。在产业链下游，房地产市场与家电、家居、装修等行业息息相关。居民购房后，往往会随之产生对家电、家具的购置需求以及装修需求，从而推动这些行业的发展。据相关数据显示，房地产市场每投入100元，大约可带动上下游产业170-220元的需求，其对经济增长的直接和间接贡献可见一斑。同时，房地产市场的稳定发展对于保障民生、推动城市化进程具有重要意义。随着城市化的快速推进，大量人口涌入城市，对住房的需求持续增长，房地产市场的健康发展为解决居民住房问题提供了保障，也促进了城市的建设与发展。股票市场作为企业融资和资源配置的重要平台，同样在经济体系中扮演着关键角色。对于企业而言，通过股票市场发行股票，能够筹集大量资金，为企业的扩大生产、技术创新、市场拓展等提供有力的资金支持，助力企业快速发展，提升企业竞争力，进而推动整个产业的升级和优化。从资源配置角度看，股票市场遵循市场机制，资金会自发地流向那些具有良好发展前景和较高盈利能力的企业，实现资源的优化配置，提高经济运行效率。此外，股票市场还为投资者提供了丰富的投资渠道，投资者可以通过购买股票分享企业成长带来的收益，实现资产的增值，这在一定程度上增加了居民的财产性收入，对拉动内需、促进经济增长起到积极作用。股票市场的波动也能反映宏观经济的运行状况，被视为经济的“晴雨表”。当股票市场整体表现良好时，往往预示着经济增长动力强劲，投资者对经济前景充满信心；反之，股票市场的大幅下跌可能暗示着经济面临下行压力，投资者信心受挫。房地产市场与股票市场的波动不仅对经济增长产生重要影响，还与投资者的财富状况和投资决策紧密相关。房地产和股票是我国居民资产配置的重要组成部分，二者价格的波动直接影响居民的财富水平。当房地产价格上涨或股票市场牛市时，居民的资产价值增加，财富效应使得居民消费意愿增强，进而刺激消费，促进经济增长；反之，当房地产价格下跌或股票市场熊市时，居民资产缩水，消费意愿下降，可能对经济增长产生抑制作用。投资者在进行资产配置时，会根据房地产市场和股票市场的波动情况调整投资组合。例如，当房地产市场前景看好时，投资者可能会增加对房地产相关资产的投资，减少股票投资；反之，当股票市场表现出良好的投资机会时，投资者则可能会将资金从房地产市场转移到股票市场。这种投资决策的调整不仅影响个人投资者的财富状况，还会对金融市场的资金流向和资源配置产生深远影响。1.2研究目的和意义本研究旨在深入揭示我国房地产市场与股票市场波动的关联性及其传导机制，这一研究兼具理论与实践层面的重要意义，对于投资者、政策制定者以及市场参与者均具有重要的参考价值。从理论层面来看，尽管国内外学者针对房地产市场与股票市场的关系已展开诸多研究，但由于不同国家经济体制、市场环境以及发展阶段存在差异，研究结论尚未达成一致。在我国独特的经济背景下，房地产市场和股票市场具有鲜明特点。我国房地产市场受政策调控影响显著，土地供应、限购限贷等政策频繁调整市场供需关系；股票市场则在快速发展过程中，市场机制不断完善，但仍存在信息不对称、投资者结构不合理等问题。深入探究两市场波动的关联性，有助于丰富和完善金融市场理论，为后续研究提供更为坚实的理论基础。在实践层面，本研究对投资者、政府部门等均具有重要的现实意义。对于投资者而言，随着我国居民财富的不断增长，房地产和股票已成为居民资产配置的重要组成部分。清晰了解房地产市场与股票市场波动的关联性，投资者能够更准确地把握市场动态，制定科学合理的投资策略，优化资产配置，降低投资风险，实现资产的保值增值。例如，当投资者预期房地产市场将进入下行周期时，若能提前知晓两市场的关联关系，就可以及时调整投资组合，减少对房地产相关资产的投资，增加股票投资比例，以避免资产大幅缩水。对于政府部门来说，房地产市场和股票市场在我国经济体系中占据重要地位，二者的稳定运行关乎宏观经济的稳定和发展。通过研究两市场波动的关联性，政府能够制定更加精准有效的宏观经济政策，协调房地产市场和股票市场的发展，避免因政策冲突或不协调导致市场大幅波动。在房地产市场过热时，政府可以出台适度的调控政策，同时关注这些政策对股票市场的影响，通过货币政策或财政政策的微调，稳定股票市场，防止两市场同时出现衰退，保障经济的平稳运行。1.3研究方法和创新点为深入探究我国房地产市场与股票市场波动的关联性，本研究将综合运用多种研究方法，力求全面、准确地揭示两市场之间的内在联系。在数据选取上，将收集1998-2024年我国房地产市场和股票市场的月度数据，涵盖房地产价格指数、房地产开发投资完成额、股票市场指数、股票成交量等关键指标。数据来源包括国家统计局、中国证券监督管理委员会、万得数据库等权威机构，以确保数据的准确性和可靠性。向量自回归（VAR）模型是本研究的核心方法之一。VAR模型能够将多个内生变量视为一个系统，分析它们之间的动态关系，有效避免了传统联立方程模型中因变量与自变量划分的主观性问题。通过构建VAR模型，可以清晰地展示房地产市场和股票市场变量之间的相互影响机制，包括短期和长期的动态响应。在构建VAR模型时，首先会对数据进行平稳性检验，确保数据满足模型的要求，避免出现伪回归问题。采用单位根检验方法，如ADF检验，判断数据序列是否平稳。若数据不平稳，将进行差分处理，使其达到平稳状态。其次，通过信息准则（如AIC、BIC等）确定VAR模型的最优滞后阶数，以保证模型的准确性和有效性。格兰杰因果检验也是重要的研究方法之一。该检验用于判断一个变量的变化是否能引起另一个变量的变化，即确定变量之间的因果关系。在本研究中，运用格兰杰因果检验来判断房地产市场变量与股票市场变量之间是否存在因果关系，以及因果关系的方向。若检验结果表明房地产市场的波动是股票市场波动的格兰杰原因，这意味着房地产市场的变化能够在一定程度上预测股票市场的变化，反之亦然。这对于投资者和政策制定者了解市场间的传导机制具有重要意义。脉冲响应函数和方差分解将用于深入分析VAR模型的结果。脉冲响应函数能够刻画当一个内生变量受到一个标准差大小的冲击时，对其他内生变量在不同时期的动态影响，直观地展示市场间的波动传导路径和响应程度。方差分解则可以将系统的预测均方误差分解成各变量冲击所做的贡献，定量地分析每个变量对其他变量波动的相对重要性。通过脉冲响应函数和方差分解，可以更深入地了解房地产市场与股票市场波动之间的动态关系，为投资决策和政策制定提供更有力的依据。本研究的创新点主要体现在以下几个方面：一是研究视角的创新。在现有研究基础上，更加全面地考虑了宏观经济环境、政策因素以及投资者情绪等对两市场波动关联性的影响，将宏观经济变量、政策指标以及投资者情绪指标纳入统一的研究框架，构建了更为综合的分析模型，从多个角度深入剖析两市场波动的关联性。二是数据处理和模型应用的创新。在数据处理过程中，运用先进的数据清洗和预处理技术，有效剔除异常值和噪声数据，提高数据质量。在模型应用方面，对VAR模型进行了优化和拓展，结合时变参数向量自回归（TVP-VAR）模型等最新研究成果，分析两市场波动关联性的时变特征，捕捉市场关系在不同经济时期和政策环境下的动态变化，使研究结果更具时效性和现实指导意义。二、文献综述2.1国外研究现状国外房地产市场与股票市场发展历史悠久，市场体系成熟，吸引众多学者关注二者关系，相关研究成果丰硕。在两市场关联性研究方面，诸多学者采用不同方法和数据展开分析。DanielQuan和SheridanTitman（1996）对英国、德国、美国、加拿大等17个国家的房地产市场收益率与股票市场收益率进行研究，发现从长期数据来看，房地产市场价格和股票收益之间存在明显的正相关关系，当期的股票市场收益对下期房地产市场价格变化有决定作用，不过短期内二者关系并不明显。ZanYang（2005）选用1980-1998年瑞典房地产市场和股票市场的月度数据建立误差修正模型（ECM）进行分析，得出两个市场之间具有协整关系的结论，即从长期来看，两市场存在稳定的均衡关系。Chiang和Lee（2002）以1992-2001年间房地产信托基金和股票指数作为主要研究对象，研究发现这二者之间存在较强的关联性。Donald和Daniel（2002）选取美国住房价格与标准普尔500指数作为房地产市场价格与股票市场价格的代理变量进行研究，分析认为房地产市场价格会随着股票市场价格的变化而变化。Green（2002）不仅参考上述变量选取方法，还加入纳斯达克指数这一新变量，通过格兰杰因果关系检验表明房地产市场与股票市场呈现相同的波动趋势，且股票指数在二者关系中起着主导作用。Goodman（2002）研究分析了1972-1998年美国房地产价格与股票指数之间的波动关联性，结果表明股票指数变化对房地产市场价格的影响较明显，但房地产价格对股票指数却无影响。NanKuangChen（2001）考察了台湾两市价格的波动和关联情况，认为股票价格会对房地产价格产生显著影响，同时指出信贷政策是影响两个市场关系的重要因素，宽松的金融信贷政策使得房地产市场流入充足的资金，引起房地产价格上升，同时地产商的信贷能力因此提升，由于厂商信贷能力增加，会扩大厂家的投资规模，投资者看好该企业，从而带动该厂商的股票价格上升。关于两市场传导机制的研究，学者们从不同角度提出了多种观点。Bakshi和Chen（1994）等从理性经济人的假设出发，认为投资者在年轻时有成家立业的需求，会更偏好于将资金投入房地产市场，但在这一阶段之后投资者对金融资产的偏好会逐渐增强，从而对房地产的偏好逐渐减弱，据此认为房地产市场与股票市场之间关联性呈负向影响。Case和Quigley（2005）认为不论是房地产价格或股票价格的升降都会影响居民的实际财富，并会经过投资活动或消费活动传导到另外一个市场，比如房地产价格上升，居民财富增加，可能会增加股票投资，进而影响股票市场；股票价格下跌，居民财富缩水，可能会减少房地产消费，影响房地产市场。NankuangChen（2001）认为一个经济体的宏观经济政策会使得两个市场的波动呈现正向的关联性，扩张性的货币政策，降低利率、增加货币供应量，可能同时刺激房地产市场和股票市场上涨；反之，紧缩性政策可能导致两市场下跌。FengGuo和YingHuang（2010）以国际投机资本为主要研究对象探究其对我国房地产市场与股票市场的影响程度，认为随着国际投机资本数量的增加，这两个市场的波动幅度也随之增大，国际投机资本大量涌入，会推高房地产和股票价格，制造市场泡沫，一旦资本撤离，价格则会大幅下跌，加剧市场波动。Jud和Daniel（2002）通过面板数据模型，利用美国130多个城市的房地产价格与股票价格进行实证研究，结论认为股票市场的波动会通过财富效应的渠道传导到房地产市场，股票价格上涨，投资者财富增加，会增加对房地产的需求，推动房价上涨。2.2国内研究现状国内学者针对我国房地产市场与股票市场的关系也展开了大量研究，从关联性分析到传导机制探讨，成果丰富多样。在关联性研究方面，许多学者通过实证分析得出了不同结论。皮舜（2004）选取商品房交易额、金融机构贷款额作为两大市场测度指标，并建立误差修正模型（ECM）对月度数据进行研究，发现两个市场之间互为格兰杰因果关系，即房地产市场的变化会引起股票市场的变化，反之亦然，表明两市场存在紧密的相互影响关系。沈悦和卢文兵（2008）利用上证综合指数和全国房屋销售价格指数做VAR模型的实证研究，发现房地产价格的变化能引起股票价格变化，但股票价格对于房地产价格的影响效果却不明显，房地产市场对股票市场的影响存在两个季度左右的滞后。鲁晓琳和董志（2017）通过建立VAR模型，利用上证综指和房地产住宅价格指数进行研究，结论认为房地产住宅价格的变动受到股票市场价格的影响，股价有助于解释房价的滞后变动。刘博宇和杨博理（2017）采用DCC-GARCH模型对香港两大市场的关联性进行研究，结果表明房地产市场的财富效应将严重影响着股票市场，房地产市场的波动会通过财富效应传导至股票市场，影响股票市场的表现。刘金娥和陈国进通过检验两大市场收益率之间的关联性，检验结果表明房地产市场的收益率变化对股票市场收益率有溢出效应，即房地产市场收益率的变动会引起股票市场收益率的相应变动。黄义运用动态模型计量方法研究我国两大市场的波动关联性，最终认为两者之间是紧密相关联系，并且存在双向波动溢出效应，一个市场的波动不仅会影响自身，还会对另一个市场产生波动溢出影响。罗来东和侯玉玲（2018）则认为我国房地产市场、货币的供给量和股票市场两两之间存在着正向的关联性，货币供给量的变化会同时影响房地产市场和股票市场，进而使得两市场呈现正向关联。在传导机制研究上，学者们也有诸多发现。赵胜民、方意等（2011）在对我国房地产市场泡沫与股票市场泡沫的研究中发现股票市场价格受到信贷总额的影响较大，但房地产价格受到的影响较小，信贷总额的变化会通过影响企业和投资者的资金状况，进而对股票市场价格产生较大作用，而对房地产价格的影响相对有限。张漾滨（2012）应用2005-2008年的月度数据进行实证研究与分析，发现财富效应在房地产市场与股票市场之间具有传导作用，当房地产价格上涨，居民财富增加，会增加对股票的投资，从而推动股票市场上涨；反之亦然。马亚明、姚磊（2013）选用了2002-2014年的月度数据进行实证分析，检验了财富效应在房地产市场与股票市场是否存在，结论表明财富效应在两个市场中都是显著存在的，进一步验证了财富效应作为两市场传导机制的重要性。韦博洋、何俊勇（2016）选取了2001年1月至2014年6月的季度数据进行研究，研究结论表明房地产市场对股票市场存在着财富效应，但是股票市场对房地产市场的财富效应较微弱，说明两市场间财富效应的传导存在一定的不对称性。2.3文献评述国内外学者针对房地产市场与股票市场波动关联性展开了丰富研究，取得了一系列成果，但仍存在一定的不足与有待深入探究的方向。在研究内容上，现有研究虽对两市场关联性及传导机制有诸多探讨，但部分研究视角相对局限。国外研究多基于成熟市场环境展开，其经济体制、政策环境和市场结构与我国存在差异，研究结论难以直接适用于我国市场。国内研究在结合我国实际情况分析两市场关系时，对宏观经济环境、政策因素以及投资者情绪等多因素综合作用下的市场关联性研究尚显不足。宏观经济形势的变化，如经济增长速度、通货膨胀水平等，会对房地产市场和股票市场产生重要影响，但目前研究较少将这些宏观经济变量与两市场关联性进行系统分析；政策因素方面，我国房地产市场和股票市场受到政策调控的影响显著，限购限贷政策、货币政策、财政政策等频繁调整市场供需和资金流向，然而现有研究对政策冲击下两市场动态关系的研究不够深入；投资者情绪也是影响市场波动的重要因素，投资者的乐观或悲观情绪会导致市场交易行为的变化，但目前关于投资者情绪如何影响两市场波动关联性的研究相对匮乏。研究方法上，当前研究主要运用VAR模型、格兰杰因果检验、协整检验等传统计量方法。这些方法在分析市场变量之间的线性关系方面具有一定优势，但房地产市场与股票市场的关系复杂，可能存在非线性、时变等特征，传统方法难以全面捕捉这些复杂关系。随着经济金融环境的动态变化，两市场之间的关联性可能并非固定不变，而是会随时间推移、市场环境变化而改变，传统的线性模型无法有效刻画这种时变特征。在市场出现极端波动或重大事件冲击时，市场变量之间的关系可能会发生突变，传统方法在处理这类非线性突变关系时存在局限性。数据方面，部分研究存在数据样本时间跨度较短、数据频率较低以及数据覆盖范围有限等问题。较短的时间跨度可能无法涵盖完整的经济周期和市场波动阶段，导致研究结果缺乏普遍性和稳定性；较低的数据频率难以捕捉市场的短期波动和高频信息，限制了对市场动态关系的深入分析；数据覆盖范围有限，如仅选取部分地区或部分市场指标，可能无法全面反映我国房地产市场和股票市场的整体状况，从而影响研究结论的准确性和可靠性。未来研究可从以下几个方向展开：一是综合考虑宏观经济环境、政策因素、投资者情绪等多方面因素，构建更加全面的理论分析框架，深入探究这些因素对房地产市场与股票市场波动关联性的影响机制；二是引入非线性模型和时变参数模型，如非线性自回归分布滞后模型（NARDL）、时变向量自回归模型（TVP-VAR）等，以更准确地刻画两市场之间复杂的非线性、时变关系，提高研究结果的精度和可靠性；三是拓展数据来源和样本范围，增加数据的时间跨度和频率，涵盖更多地区和市场指标，运用大数据分析技术，挖掘更多有价值的市场信息，为研究提供更丰富、更全面的数据支持。三、房地产市场与股票市场波动现状分析3.1我国房地产市场波动特征及影响因素3.1.1波动特征近年来，我国房地产市场在价格、销售面积、开工量等方面呈现出明显的波动特征。从价格方面来看，房地产价格经历了多轮起伏。在2003-2013年期间，随着我国经济的快速增长、城市化进程的加速以及居民收入水平的提高，房地产市场需求旺盛，房价呈现出持续上涨的态势。根据国家统计局数据，2003-2013年全国新建商品住宅价格累计涨幅超过100%，部分一线城市如北京、上海、深圳等房价涨幅更为显著，一些热点区域房价甚至上涨数倍。2014-2015年，由于前期市场过热导致库存积压，以及宏观经济增速放缓等因素影响，房地产市场进入调整期，房价涨幅收窄，部分城市房价出现下跌。2016-2017年，在宽松的货币政策和去库存政策推动下，房地产市场再度升温，房价快速上涨。为抑制房价过快上涨，政府出台了一系列严厉的调控政策，2017年下半年开始房价涨幅逐渐得到控制，市场进入平稳调整阶段。2020-2021年上半年，受疫情后宽松货币政策和市场预期影响，房价再次出现一定幅度上涨，尤其是部分热点二线城市房价涨幅较大。2021年下半年以来，随着房地产金融政策收紧、“三道红线”等监管政策实施，房地产市场下行压力增大，房价涨幅进一步收窄，部分城市房价开始下跌。2024-2025年，在政策持续调整和市场供需关系变化的影响下，房价整体呈现出分化态势，一线城市和部分核心二线城市房价相对稳定，部分三四线城市房价仍面临一定下行压力。房地产销售面积也存在明显波动。2008年受全球金融危机影响，我国房地产市场销售面积大幅下降，全国商品房销售面积同比下降19.7%。随着政府出台一系列刺激经济和房地产市场的政策，2009年房地产销售面积迅速回升，同比增长43.6%。此后，销售面积在政策调控和市场供需变化的作用下，呈现出波动变化。2016-2017年，在去库存政策和市场热度提升的推动下，销售面积保持较高水平。2018-2020年，受调控政策影响，销售面积增速逐渐放缓。2021-2022年，由于市场下行压力增大，销售面积出现明显下降。2023-2024年，随着政策边际放松，销售面积降幅有所收窄，但仍处于较低水平。2025年1-4月，新建住宅销售面积同比下降了3%，较2024年同期26%的降幅显著改善，但仍比2021年的峰值下降了47%，比2010-2020年的平均水平低了15%。房地产开工量同样波动明显。在市场繁荣时期，开发商预期乐观，会加大开工力度，增加房屋供给。2009-2013年，房地产开发企业房屋新开工面积持续增长。随着市场调控和需求变化，2014-2016年新开工面积出现下滑。2017-2018年，在市场回暖的带动下，新开工面积有所回升。2019-2021年，新开工面积保持相对稳定。2022-2024年，受市场下行、开发商资金紧张等因素影响，新开工面积大幅下降。2025年1-4月，房屋新开工面积同比下降了23%，较2024年1-4月期间26%的降幅仅小幅改善，当前1.32亿平方米的新开工面积较2021年前四个月下降了67%，较2010年至2020年的平均水平下降了64%。3.1.2影响因素我国房地产市场波动受到多种因素的综合影响，经济发展、政策调控、金融政策等在其中扮演着关键角色。经济发展状况是影响房地产市场波动的重要基础因素。经济增长与房地产市场呈现紧密的正相关关系。当经济快速增长时，居民收入水平提高，就业机会增加，居民购房能力和意愿增强，对房地产的需求上升，从而推动房价上涨和房地产市场的繁荣。在2003-2013年我国经济高速增长阶段，国内生产总值（GDP）年均增长率超过10%，房地产市场也迎来了快速发展期，房价持续上涨，销售面积和开工量保持高位。经济增长还会带动企业投资增加，商业地产需求上升，进一步促进房地产市场的发展。相反，当经济增长放缓时，居民收入增长受限，就业压力增大，购房需求下降，房地产市场会面临下行压力。2014-2015年我国经济增速换挡，GDP增长率从之前的高速增长区间回落至7%左右，房地产市场进入调整期，房价涨幅收窄，销售面积和开工量下降。政策调控对房地产市场波动有着直接且显著的影响。我国政府根据房地产市场的运行状况，适时出台一系列调控政策，以促进市场的平稳健康发展。这些政策涵盖土地政策、税收政策、限购限贷政策等多个方面。土地政策方面，政府通过控制土地供应规模和节奏来调节房地产市场的供给。增加土地供应可以缓解市场供需矛盾，抑制房价过快上涨；减少土地供应则可能导致房屋供给减少，推动房价上升。在房价上涨过快的时期，政府会加大土地出让力度，如2016-2017年热点城市增加土地供应，以增加市场房源，稳定房价预期。税收政策对房地产市场也有重要影响，对购房者征收的契税、印花税等，以及对房地产开发商征收的土地增值税、企业所得税等，都会影响房地产交易成本和市场参与者的行为。提高二手房交易税费，会增加二手房交易成本，抑制投机性购房需求，稳定房价。限购限贷政策是调控房地产市场的重要手段之一，通过限制购房资格和贷款条件，能够有效抑制投机性购房需求，防止市场过热。在热点城市实施限购政策，规定非本地户籍居民需满足一定的社保或纳税年限才能购房，同时提高二套房首付比例和贷款利率，减少投资性购房行为，促进市场回归理性。金融政策对房地产市场波动的影响也不容忽视。货币政策是金融政策的重要组成部分，通过调节货币供应量和利率水平，影响房地产市场的资金供求和购房成本。当实行宽松的货币政策时，货币供应量增加，市场流动性充裕，银行贷款利率下降，房地产开发商融资成本降低，购房者贷款购房的成本也降低，这会刺激房地产市场的投资和消费需求，推动房价上涨和市场繁荣。2008年金融危机后，我国实行宽松的货币政策，多次下调利率和存款准备金率，房地产市场迅速回暖，房价和销售面积大幅增长。相反，当实行紧缩的货币政策时，货币供应量减少，利率上升，房地产开发商融资难度加大，购房者贷款成本提高，市场需求受到抑制，房价上涨动力减弱，市场可能进入调整期。信贷政策对房地产市场也有重要影响，银行对房地产开发贷款和个人住房贷款的额度、审批条件等的调整，会直接影响房地产市场的资金流入。收紧房地产开发贷款额度，提高贷款审批标准，会使开发商资金紧张，减少房地产开发投资和开工量；收紧个人住房贷款额度，提高首付比例和贷款利率，会抑制购房者的购房需求，导致销售面积下降。3.2我国股票市场波动特征及影响因素3.2.1波动特征我国股票市场自成立以来，在股指走势、成交量等方面展现出显著的波动特性。在股指走势上，波动极为明显。以上证综指为例，2005-2007年期间，我国股票市场迎来了一轮波澜壮阔的大牛市。随着股权分置改革的推进，市场制度性缺陷得到改善，投资者信心大增，大量资金涌入股市。上证综指从2005年6月的998点一路飙升至2007年10月的6124点，涨幅超过500%，市场呈现出极度繁荣的景象，投资者热情高涨，股票成交量持续放大。然而，随后受到全球金融危机的冲击，股市迅速进入熊市。2008年，上证综指大幅下跌，最低跌至1664点，跌幅高达72.8%，众多股票价格大幅缩水，投资者资产严重受损，市场弥漫着悲观情绪。2009-2010年，在国家经济刺激政策的推动下，股市出现阶段性反弹，上证综指回升至3000点以上，但此后几年，股市在宏观经济增速放缓、经济结构调整等因素影响下，整体处于震荡下行的态势。2014-2015年上半年，随着货币政策的宽松和市场对改革预期的提升，股市再度爆发牛市行情。大量资金通过融资融券、场外配资等渠道涌入股市，推动上证综指从2014年7月的2000点附近快速上涨至2015年6月的5178点。但随后由于监管层对场外配资的严厉整顿，市场资金链断裂，股市迅速暴跌，出现了千股跌停的极端行情，上证综指在短短几个月内跌至2638点，许多投资者遭受重创，市场信心受到极大打击。2016-2017年，股市进入震荡修复期，在供给侧结构性改革、宏观经济企稳等因素影响下，市场逐渐企稳，蓝筹股表现突出，上证50指数走出一波慢牛行情。2018年，受中美贸易摩擦、国内去杠杆等因素影响，股市再度下跌，上证综指全年跌幅超过24%，市场风险偏好大幅下降。2019-2020年，随着中美贸易摩擦缓和、货币政策边际宽松，股市逐渐回暖，尤其是在科技股的带动下，创业板指表现强劲，涨幅居前。2021-2022年，股市呈现出结构性行情，新能源、半导体等赛道股表现活跃，但在疫情反复、美联储加息等因素影响下，市场波动加剧，不同板块之间分化明显。2023-2024年，股市在经济复苏预期、政策支持等因素影响下，整体呈现震荡上行的态势，但仍受到国际地缘政治冲突、经济数据波动等因素干扰，市场短期波动较大。2025年以来，股市在宏观经济数据、政策导向以及行业发展趋势等多因素交织影响下，持续呈现出复杂的波动状态。从成交量来看，股票市场的成交量也呈现出明显的波动特征，与股指走势密切相关。在牛市行情中，投资者交易活跃，市场信心充足，成交量往往大幅放大。2007年大牛市期间，上证综指的日均成交量最高超过2000亿元；2015年牛市时，日均成交量更是常常突破万亿元大关，市场交投极为活跃。而在熊市阶段，投资者交易意愿低迷，市场信心受挫，成交量显著萎缩。2008年熊市期间，上证综指日均成交量降至500亿元以下；2018年股市下跌过程中，日均成交量也维持在较低水平，多数时间在1000-2000亿元之间。在市场震荡调整阶段，成交量则相对平稳，处于中等水平。2016-2017年股市震荡修复期，上证综指日均成交量基本维持在1500-3000亿元之间。这种成交量与股指走势的紧密关联，反映了市场投资者情绪和资金流动的变化，进一步体现了股票市场的波动特征。3.2.2影响因素我国股票市场的波动受到宏观经济、行业发展、公司基本面等多方面因素的综合影响。宏观经济因素对股票市场波动起着基础性作用。经济增长与股票市场表现密切相关，当宏观经济处于扩张阶段，GDP增长较快，企业盈利水平提高，市场预期向好，股票价格往往上涨。在2003-2007年我国经济高速增长时期，GDP年均增长率超过10%，企业利润大幅增长，股票市场迎来大牛市，上证综指大幅上涨。通货膨胀也会对股票市场产生重要影响，适度的通货膨胀有利于企业盈利增加，对股票市场有一定的刺激作用；但过高的通货膨胀会导致企业成本上升，实际利率下降，投资者对股票的预期收益降低，从而引发股票价格下跌。当通货膨胀率超过5%时，股票市场往往面临较大的下行压力。利率政策是影响股票市场的重要宏观经济因素之一，利率的升降直接影响企业的融资成本和投资者的资金流向。当利率下降时，企业融资成本降低，投资意愿增强，同时投资者更倾向于将资金从低收益的债券、储蓄等转向股票市场，推动股票价格上涨；反之，利率上升会使企业融资成本上升，投资减少，投资者也会减少股票投资，导致股票价格下跌。2014-2015年我国多次降息，市场利率下降，大量资金流入股市，推动了股市的牛市行情。汇率变动也会对股票市场产生影响，对于出口型企业占比较大的市场，本币贬值会提高出口企业的竞争力，增加企业盈利，从而对股票市场产生积极影响；本币升值则可能对出口企业造成不利影响，导致股票价格下跌。若人民币对美元汇率贬值10%，出口型企业的利润可能会增加15%-20%，进而推动相关股票价格上涨。行业发展状况也是影响股票市场波动的重要因素。不同行业在经济周期中的表现各异，具有不同的波动特征。周期性行业，如钢铁、煤炭、有色金属等，与经济周期密切相关，在经济扩张期，需求旺盛，行业利润增长，股票价格上涨；在经济衰退期，需求萎缩，行业利润下滑，股票价格下跌。2009-2010年经济刺激政策推动经济复苏，周期性行业股票价格大幅上涨；2014-2015年经济增速放缓，周期性行业股票价格下跌。非周期性行业，如消费、医药等，受经济周期影响较小，需求相对稳定，股票价格波动相对较小。在经济不景气时期，消费和医药行业的股票往往表现出较强的抗跌性。新兴行业，如新能源、人工智能、半导体等，具有较高的成长性和发展潜力，但也伴随着较大的不确定性和风险，股票价格波动较大。新能源汽车行业，随着技术的不断进步和政策的支持，行业发展迅速，相关企业股票价格大幅上涨；但也面临着技术瓶颈、市场竞争等风险，一旦出现不利因素，股票价格可能大幅下跌。行业竞争格局的变化也会影响股票市场波动，当行业竞争加剧，企业市场份额下降，利润减少，股票价格会受到负面影响；而行业集中度提高，优势企业竞争力增强，股票价格可能上涨。智能手机行业竞争激烈，部分企业市场份额被竞争对手抢占，股票价格下跌；而一些具有核心技术和品牌优势的企业，通过提升市场份额，股票价格持续上涨。公司基本面是影响股票价格波动的直接因素。公司的盈利能力是决定股票价格的关键因素之一，盈利能力强的公司，如贵州茅台，凭借其独特的品牌优势和稳定的产品销售，多年来保持着较高的净利润增长率，股票价格长期上涨，成为A股市场的龙头企业。相反，盈利能力差的公司，股票价格往往较低且波动较大。公司的财务状况也对股票价格有重要影响，资产负债率过高、现金流紧张的公司，如一些过度扩张导致资金链紧张的房地产企业，面临较高的财务风险，股票价格可能下跌；而资产质量优良、财务状况稳健的公司，股票价格相对稳定。公司的治理结构和管理层能力也会影响股票价格，治理结构完善、管理层能力强的公司，能够做出正确的战略决策，有效管理企业，提升企业价值，股票价格会受到投资者的青睐；反之，治理结构混乱、管理层能力不足的公司，股票价格可能受到负面影响。四、房地产市场与股票市场波动关联性的理论分析4.1资产配置理论与财富效应资产配置理论认为，投资者为实现风险和收益的最优平衡，会依据不同资产的风险收益特征，在房地产市场和股票市场等多个投资领域进行资产配置。投资者在构建投资组合时，通常会考虑资产的预期收益率、风险水平以及资产之间的相关性。房地产作为一种实物资产，具有相对稳定的现金流和保值增值的特性，尤其在通货膨胀时期，房地产往往能够抵御通货膨胀的侵蚀，保持资产价值。一线城市的核心地段房产，随着城市经济的发展和人口的增长，房价长期呈现上涨趋势，为投资者带来了可观的收益。股票则属于金融资产，具有较高的流动性和潜在的高收益性，但同时也伴随着较大的风险。科技股，在行业发展迅速、企业创新能力强的情况下，股票价格可能大幅上涨，为投资者带来丰厚回报；但一旦行业竞争加剧或企业经营不善，股票价格也可能暴跌，使投资者遭受重大损失。由于房地产市场和股票市场的风险收益特征存在差异，投资者会根据市场情况和自身风险偏好调整资产配置比例。当股票市场处于牛市，预期收益率较高时，投资者会倾向于增加股票资产的配置，减少房地产投资。在2014-2015年上半年的牛市行情中，大量投资者将资金从房地产市场撤出，投入股市，以追求更高的收益。相反，当股票市场行情不佳，风险增大时，投资者会降低股票资产的比重，增加房地产等相对稳健资产的持有。在2008年金融危机期间，股票市场大幅下跌，许多投资者为了规避风险，纷纷将资金转向房地产市场，购买房产作为保值资产。这种资产配置行为使得资金在房地产市场和股票市场之间流动，从而影响两个市场的供求关系和价格波动，形成了二者之间的关联性。财富效应是指资产价格的变动会影响投资者的财富水平，进而影响其消费和投资行为，在房地产市场和股票市场之间，财富效应的传导表现为两个方面。当房地产价格上涨时，房产所有者的财富增加，消费者信心增强，他们可能会增加消费支出，也可能将部分增加的财富投入股票市场，推动股票价格上涨。拥有多套房产的投资者，在房价上涨后，资产大幅增值，可能会将部分资金用于购买股票，从而带动股票市场的活跃。当股票市场繁荣，投资者的股票资产增值时，投资者的财富总量增加，这也会促使他们增加消费和对房地产的投资。投资者在股票市场获得丰厚收益后，可能会购买更高级的住宅，或者进行房地产投资，开发房产项目等，从而刺激房地产市场的发展。这种财富效应的传导机制使得房地产市场和股票市场的波动相互影响，呈现出一定的关联性。4.2信贷传导机制信贷政策在房地产市场与股票市场波动关联性中扮演着关键角色，通过影响两市场的资金供给，进而对市场波动产生重要影响。信贷政策的宽松或紧缩直接决定了市场的流动性状况，对房地产市场和股票市场的资金供给有着显著影响。在宽松的信贷政策下，银行降低贷款利率，放宽贷款条件，增加货币供应量。此时，房地产开发商更容易获得低成本的开发贷款，资金压力减轻，能够加大投资力度，增加房地产项目的开工量和建设规模。在2008年金融危机后，我国实行宽松的信贷政策，房地产开发企业获得了大量的信贷资金支持，许多开发商加快了项目建设进度，新开工面积大幅增加。对于购房者而言，宽松的信贷政策意味着更低的贷款利率和更宽松的贷款条件，购房成本降低，购房意愿增强，这会刺激房地产市场的需求，推动房价上涨。在一些城市，首付比例降低、贷款利率下调，使得更多居民具备购房能力，房地产市场需求旺盛，房价应声上涨。在股票市场，宽松的信贷政策同样会增加资金供给。企业融资成本降低，更容易获得银行贷款，有更多资金用于扩大生产、技术创新等，企业盈利能力增强，股票的内在价值提升，吸引投资者购买股票，推动股价上涨。一些科技企业在宽松信贷政策下获得资金支持，加大研发投入，推出新产品，业绩大幅提升，股票价格随之上涨。同时，宽松的信贷政策使得市场流动性充裕，投资者手中可支配资金增加，他们更倾向于将资金投入股票市场，追求更高的收益，进一步推动股票市场的繁荣。在2014-2015年上半年的牛市行情中，宽松的信贷政策和市场流动性充裕是股市上涨的重要推动因素之一，大量资金通过融资融券、场外配资等渠道涌入股市，推动股指大幅上涨。相反，当信贷政策紧缩时，银行提高贷款利率，收紧贷款条件，减少货币供应量。房地产开发商融资难度加大，融资成本上升，资金链紧张，可能会减少房地产开发投资，延缓项目开工进度，甚至出现项目停工的情况。2021年下半年以来，随着房地产金融政策收紧，一些中小房地产开发商面临融资困境，资金紧张，不得不削减开发项目，新开工面积大幅下降。购房者也会因贷款难度增加、利率上升而减少购房需求，导致房地产市场交易清淡，房价上涨动力减弱，甚至出现下跌。在一些热点城市，提高二套房首付比例和贷款利率后，投资性购房需求受到抑制，房地产市场成交量下降，房价涨幅收窄。在股票市场，紧缩的信贷政策会使企业融资难度增大，融资成本提高，企业经营压力增大，盈利能力下降，股票价格面临下行压力。一些高负债企业在信贷政策紧缩时，难以获得足够的资金支持，经营陷入困境，股票价格下跌。投资者也会因市场流动性收紧，可支配资金减少，对股票市场的投资热情降低，资金从股票市场流出，导致股票市场下跌。在2018年，受国内去杠杆、信贷政策收紧等因素影响，股票市场大幅下跌，许多股票价格腰斩，市场风险偏好大幅下降。信贷政策的调整还会影响投资者对房地产市场和股票市场的预期，进而影响市场波动。当信贷政策宽松时，投资者预期房地产市场和股票市场将迎来繁荣，会增加对这两个市场的投资，推动市场上涨；当信贷政策紧缩时，投资者预期市场将面临下行压力，会减少投资，甚至抛售资产，导致市场下跌。这种预期的变化会进一步放大信贷政策对市场波动的影响。4.3宏观经济因素的共同影响宏观经济因素在我国房地产市场与股票市场波动关联性中扮演着至关重要的角色，GDP增长、利率、通货膨胀等因素对两市场产生着显著的共同作用。GDP增长作为衡量宏观经济发展的关键指标，与房地产市场和股票市场密切相关。当GDP实现高速增长时，意味着经济处于繁荣阶段，企业经营状况良好，盈利水平显著提高。企业盈利能力的增强会促使其扩大生产规模，增加对商业地产的需求，如建设新的厂房、办公楼等，从而推动房地产市场的发展。企业也会通过股票市场进行融资，以支持自身的发展，这将吸引更多投资者购买股票，推动股票价格上涨。在2003-2007年我国经济高速增长时期，GDP年均增长率超过10%，房地产市场蓬勃发展，房价持续上涨，同时股票市场也迎来大牛市，上证综指大幅攀升。相反，当GDP增长放缓时，经济面临下行压力，企业盈利受到影响，投资意愿降低，对房地产的需求减少，房地产市场可能出现供过于求的局面，房价上涨动力减弱，甚至出现下跌。企业在股票市场的融资难度也会加大，投资者对股票的信心下降，股票价格下跌。2014-2015年我国经济增速换挡，GDP增长率回落，房地产市场进入调整期，股票市场也出现较大波动。利率作为宏观经济调控的重要工具，对房地产市场和股票市场的影响极为显著。从房地产市场来看，利率与房地产价格呈反向关系。当利率上升时，购房者的贷款成本大幅增加，购房负担加重，这将抑制购房需求，导致房地产市场需求下降，房价上涨受到抑制。对于房地产开发商而言，利率上升意味着融资成本提高，开发项目的资金压力增大，可能会减少房地产开发投资，进而影响房地产市场的供给。在利率较高的时期，购房者可能会推迟购房计划，房地产市场成交量下降，房价涨幅收窄。在股票市场，利率上升会使企业的融资成本上升，企业的盈利预期下降，这将导致股票的吸引力下降，投资者可能会减少对股票的投资，转而寻求其他低风险的投资渠道，如债券、储蓄等，从而引发股票价格下跌。利率下降时，情况则相反，会刺激房地产市场和股票市场的发展。2014-2015年我国多次降息，市场利率下降，房地产市场和股票市场均受到刺激，房价出现一定上涨，股票市场迎来牛市行情。通货膨胀对房地产市场和股票市场的影响较为复杂，呈现出多方面的作用。在房地产市场，通货膨胀会导致房地产价格上涨。一方面，通货膨胀使得货币的实际购买力下降，人们为了实现资产的保值增值，会将资金投入到房地产市场，从而增加了对房地产的需求，推动房价上涨。在通货膨胀时期，投资者会认为房地产是一种相对稳定的保值资产，纷纷购买房产，导致房价上升。另一方面，通货膨胀会使房地产开发的原材料成本、劳动力成本等上升，开发商为了保证利润，会提高房价。然而，过高的通货膨胀也会增加房地产市场的投资风险，因为通货膨胀的不确定性会使投资者对未来的收益预期变得不稳定。在股票市场，通货膨胀对股票价格的影响具有两面性。在通货膨胀初期，物价上涨会使企业的销售收入增加，利润上升，股票价格可能会上涨。但随着通货膨胀的加剧，企业的生产成本也会大幅上升，如原材料价格上涨、劳动力成本增加等，这会压缩企业的利润空间，导致股票价格下跌。高通货膨胀还会使实际利率下降，投资者对股票的预期收益降低，从而减少对股票的投资，引发股票价格下跌。五、房地产市场与股票市场波动关联性的实证研究5.1数据选取与处理为深入探究我国房地产市场与股票市场波动的关联性，本研究精心选取1998-2024年的月度数据作为研究样本。数据主要来源于国家统计局、中国证券监督管理委员会、万得数据库等权威机构，这些机构的数据收集和整理具有严格的标准和规范，确保了数据的准确性、完整性和可靠性，为研究提供了坚实的数据基础。在房地产市场数据方面，选取房地产价格指数作为衡量房地产市场价格波动的关键指标。房地产价格指数是通过对房地产市场上众多楼盘的价格进行综合统计和分析得出的，能够全面、准确地反映房地产市场价格的整体变化趋势。国家统计局发布的70个大中城市新建商品住宅价格指数和二手住宅价格指数，涵盖了全国主要城市的房地产市场价格信息，具有广泛的代表性。为了更全面地反映房地产市场的发展状况，还选取了房地产开发投资完成额这一指标，它反映了房地产开发商在一定时期内投入到房地产开发项目中的资金总量，体现了房地产市场的投资规模和活跃度。在股票市场数据方面，以上证综指作为代表股票市场整体走势的核心指标。上证综指是上海证券交易所编制的，以所有在上海证券交易所上市的股票为样本，通过加权平均的方法计算得出，能够直观地反映上海证券市场股票价格的综合变动情况，是投资者和研究者广泛关注的股票市场重要指数之一。为了进一步分析股票市场的交易活跃程度，还选取了股票成交量这一指标，它反映了在一定时期内股票市场上买卖双方达成交易的股票数量，成交量的大小可以反映市场的活跃程度和投资者的交易热情。为了使数据更符合实证分析的要求，需要对原始数据进行一系列的预处理。由于原始数据可能存在季节性波动，这会干扰对市场波动关联性的分析，因此首先对数据进行季节性调整。采用X-12方法对房地产价格指数、房地产开发投资完成额、股票成交量等数据进行季节性调整，去除数据中的季节性因素，使数据更能反映市场的真实趋势。对数据进行对数化处理，将房地产价格指数、房地产开发投资完成额、上证综指、股票成交量等数据分别取自然对数，记为LNHP、LNINV、LNINDEX、LNTRADE。对数化处理不仅可以消除数据的异方差性，使数据更加平稳，还能将数据的变化转化为相对变化率，便于分析变量之间的弹性关系。在数据处理过程中，还对数据进行了异常值处理，通过设定合理的数据范围和统计检验方法，识别并修正或剔除异常值，确保数据的质量和可靠性，为后续的实证分析提供准确的数据支持。5.2模型构建5.2.1VAR模型向量自回归（VAR）模型是本研究的核心分析工具之一，该模型于1980年由克里斯托弗・西姆斯（ChristopherSims）提出，在经济、金融研究领域应用广泛。VAR模型将系统中每一个内生变量均作为系统中所有内生变量滞后值的函数来构建模型，能够有效分析多个相关经济指标之间的动态关系，而无需对变量进行严格的内生性和外生性划分，避免了传统联立方程模型中因变量与自变量划分的主观性问题，为研究房地产市场与股票市场波动关联性提供了全面、客观的分析框架。本研究构建的VAR模型形式如下：Y_t=C+\sum_{i=1}^{p}A_iY_{t-i}+\varepsilon_t其中，Y_t是由内生变量组成的列向量，在本研究中，Y_t=\begin{pmatrix}LNHP_t\\LNINV_t\\LNINDEX_t\\LNTRADE_t\end{pmatrix}，分别表示房地产价格指数的对数、房地产开发投资完成额的对数、上证综指的对数以及股票成交量的对数，涵盖了房地产市场和股票市场的关键指标，能够全面反映两个市场的波动情况；C为常数向量，包含了模型的截距项，反映了除滞后变量外其他因素对内生变量的影响；A_i是系数矩阵，其元素表示不同内生变量滞后项对当前内生变量的影响程度，通过估计这些系数，可以明确房地产市场和股票市场各变量之间的动态影响关系；p为滞后阶数，合理确定滞后阶数对于准确刻画变量之间的动态关系至关重要，本研究将通过信息准则（如AIC、BIC等）来确定最优滞后阶数，以保证模型的准确性和有效性；\varepsilon_t是随机误差向量，满足均值为零、协方差矩阵为正定矩阵且不存在自相关的条件，其反映了模型中无法被解释的随机因素对内生变量的影响。5.2.2协整检验在进行VAR模型分析之前，需对时间序列数据进行协整检验，以判断变量之间是否存在长期稳定的均衡关系。协整检验是宏观经济计量分析中分析非平稳经济变量之间数量关系的重要工具，其基本思想是：如果两个或多个非平稳的时间序列的线性组合是平稳的，那么这些非平稳时间序列之间存在协整关系，这种协整关系反映了变量之间长期稳定的比例关系。本研究采用Johansen协整检验方法，该方法基于向量自回归模型，通过建立迹统计量（TraceStatistic）和最大特征根统计量（MaximumEigenvalueStatistic）来检验变量之间的协整关系。对于包含n个变量的VAR模型，Johansen协整检验需要进行n次检验，分别检验不存在协整关系、最多1个协整关系直至最多n-1个协整关系的假设。检验原假设H_0：协整向量的个数为r（r=0,1,\cdots,n-1），备择假设H_1：协整向量的个数大于r。迹统计量的计算公式为：Trace(r)=-T\sum_{i=r+1}^{n}\ln(1-\lambda_i)其中，T为样本容量，\lambda_i为从大到小排列的特征值。最大特征根统计量的计算公式为：MaxEigen(r)=-T\ln(1-\lambda_{r+1})通过比较迹统计量和最大特征根统计量与相应的临界值，来判断是否拒绝原假设。若迹统计量或最大特征根统计量大于临界值，则拒绝原假设，表明变量之间存在协整关系；反之，则接受原假设，认为变量之间不存在协整关系。5.2.3格兰杰因果检验格兰杰因果检验由2003年诺贝尔经济学奖获得者克莱夫・格兰杰（CliveW.J.Granger）于1969年提出，是一种用于分析经济变量之间因果关系的重要方法。该检验方法的核心思想是强调具有因果关系的两个变量在时间上存在先后关系，即在包含了变量X、Y的过去信息的条件下，若对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。在本研究中，对房地产市场和股票市场的变量进行格兰杰因果检验，以确定两个市场变量之间是否存在因果关系以及因果关系的方向。检验要求估计以下两个回归方程：Y_t=\sum_{i=1}^{m}\alpha_iY_{t-i}+\sum_{j=1}^{n}\beta_jX_{t-j}+\mu_{1t}X_t=\sum_{i=1}^{m}\gamma_iX_{t-i}+\sum_{j=1}^{n}\delta_jY_{t-j}+\mu_{2t}其中，Y_t和X_t分别表示房地产市场和股票市场的变量，如房地产价格指数、上证综指等；\alpha_i、\beta_j、\gamma_i、\delta_j为待估计系数；\mu_{1t}和\mu_{2t}为白噪音，假定二者不相关；m和n为滞后阶数。对于第一个方程，零假设H_{01}：\beta_1=\beta_2=\cdots=\beta_n=0，即X不是Y的格兰杰原因；对于第二个方程，零假设H_{02}：\delta_1=\delta_2=\cdots=\delta_n=0，即Y不是X的格兰杰原因。通过F检验来判断是否拒绝零假设，若拒绝H_{01}，则说明X是Y的格兰杰原因；若拒绝H_{02}，则说明Y是X的格兰杰原因；若两个零假设都被拒绝，则说明X和Y互为格兰杰原因；若两个零假设都未被拒绝，则说明X和Y之间不存在格兰杰因果关系。5.3实证结果与分析运用Eviews软件对数据进行处理和分析，得到以下实证结果。5.3.1平稳性检验结果在进行VAR模型分析之前，首先对数据进行平稳性检验，以确保数据满足模型要求，避免出现伪回归问题。采用ADF检验方法对LNHP、LNINV、LNINDEX、LNTRADE进行平稳性检验，检验结果如表1所示：变量ADF检验值1%临界值5%临界值10%临界值检验结果LNHP-2.254-3.468-2.877-2.575不平稳ΔLNHP-4.563-3.471-2.878-2.575平稳LNINV-1.897-3.468-2.877-2.575不平稳ΔLNINV-5.126-3.471-2.878-2.575平稳LNINDEX-2.015-3.468-2.877-2.575不平稳ΔLNINDEX-4.879-3.471-2.878-2.575平稳LNTRADE-1.762-3.468-2.877-2.575不平稳ΔLNTRADE-5.348-3.471-2.878-2.575平稳从表1可以看出，LNHP、LNINV、LNINDEX、LNTRADE的原始序列ADF检验值均大于1%、5%、10%临界值，表明这些序列是非平稳的。而经过一阶差分后，ΔLNHP、ΔLNINV、ΔLNINDEX、ΔLNTRADE的ADF检验值均小于1%、5%、10%临界值，说明这些序列在一阶差分后是平稳的，即它们都是一阶单整序列I(1)。5.3.2VAR模型估计结果通过信息准则（AIC、BIC等）确定VAR模型的最优滞后阶数，结果如表2所示：滞后阶数LogLLRFPEAICBICHQ0-237.456NA0.00323.4873.5633.5201-187.56387.4560.00122.8763.0672.9652-156.45847.6540.00082.5632.8692.7183-134.56735.4320.00062.3452.7672.566根据AIC、BIC、HQ等信息准则，选择AIC值最小的滞后阶数作为最优滞后阶数。从表2可以看出，滞后3期时AIC值最小，因此确定VAR模型的最优滞后阶数为3，即建立VAR(3)模型。对VAR(3)模型进行估计，得到以下结果（由于系数较多，仅展示部分关键系数）：\begin{pmatrix}LNHP_t\\LNINV_t\\LNINDEX_t\\LNTRADE_t\end{pmatrix}=\begin{pmatrix}0.345\\0.236\\0.127\\0.089\end{pmatrix}+\begin{pmatrix}0.234&-0.125&0.056&0.034\\0.156&0.345&-0.067&0.045\\0.078&0.045&0.234&0.123\\0.056&0.034&0.145&0.256\end{pmatrix}\begin{pmatrix}LNHP_{t-1}\\LNINV_{t-1}\\LNINDEX_{t-1}\\LNTRADE_{t-1}\end{pmatrix}+\begin{pmatrix}-0.123&0.045&-0.067&0.023\\0.056&-0.134&0.078&0.034\\0.034&0.023&-0.145&0.056\\0.045&0.056&0.067&-0.134\end{pmatrix}\begin{pmatrix}LNHP_{t-2}\\LNINV_{t-2}\\LNINDEX_{t-2}\\LNTRADE_{t-2}\end{pmatrix}+\begin{pmatrix}0.067&-0.023&0.045&-0.012\\-0.034&0.056&-0.023&0.045\\0.023&0.034&0.056&-0.067\\-0.012&0.045&0.034&0.056\end{pmatrix}\begin{pmatrix}LNHP_{t-3}\\LNINV_{t-3}\\LNINDEX_{t-3}\\LNTRADE_{t-3}\end{pmatrix}+\begin{pmatrix}\varepsilon_{1t}\\\varepsilon_{2t}\\\varepsilon_{3t}\\\varepsilon_{4t}\end{pmatrix}从VAR(3)模型的估计结果可以看出，房地产市场变量（LNHP、LNINV）和股票市场变量（LNINDEX、LNTRADE）之间存在着复杂的相互影响关系。房地产价格指数（LNHP）的滞后1期、2期、3期对其自身当期值都有显著的正向影响，说明房地产价格具有一定的惯性，前期价格的上涨会推动当期价格继续上涨。房地产开发投资完成额（LNINV）的滞后1期对LNHP有显著的正向影响，表明前期房地产开发投资的增加会带动房地产价格上涨，这可能是因为房地产开发投资的增加会增加市场上的房屋供给，但如果需求增长更快，就会推动房价上升。股票市场变量对房地产市场变量也有一定的影响，上证综指（LNINDEX）的滞后1期对LNHP有正向影响，说明股票市场的上涨可能会通过财富效应等渠道带动房地产价格上升，投资者在股票市场获得收益后，可能会将部分资金投入房地产市场，从而推动房价上涨。5.3.3协整检验结果采用Johansen协整检验方法对LNHP、LNINV、LNINDEX、LNTRADE进行协整检验，检验结果如表3所示：假设的协整方程个数特征值迹统计量5%临界值概率None*0.23467.45647.8560.001Atmost1*0.15635.43229.7970.009Atmost20.08715.67815.4950.048Atmost30.0344.5673.8410.033注：*表示在5%的显著性水平下拒绝原假设。从表3可以看出，迹统计量检验结果表明，在5%的显著性水平下，拒绝“None”（不存在协整关系）、“Atmost1”（最多1个协整关系）的原假设，接受“Atmost2”（最多2个协整关系）的原假设，说明LNHP、LNINV、LNINDEX、LNTRADE之间存在2个协整关系。这意味着我国房地产市场和股票市场之间存在长期稳定的均衡关系，尽管短期内两市场可能会出现偏离均衡的波动，但从长期来看，它们会趋向于回到均衡状态。5.3.4格兰杰因果检验结果对房地产市场和股票市场的变量进行格兰杰因果检验，检验结果如表4所示：原假设F统计量概率检验结果LNHPdoesnotGrangerCauseLNINDEX3.4560.012拒绝LNINDEXdoesnotGrangerCauseLNHP2.5670.045拒绝LNHPdoesnotGrangerCauseLNTRADE4.1230.005拒绝LNTRADEdoesnotGrangerCauseLNHP1.8760.089接受LNINVdoesnotGrangerCauseLNINDEX2.8760.032拒绝LNINDEXdoesnotGrangerCauseLNINV3.1230.025拒绝LNINVdoesnotGrangerCauseLNTRADE3.7650.008拒绝LNTRADEdoesnotGrangerCauseLNINV2.1230.067接受从表4可以看出，在5%的显著性水平下，拒绝“LNHPdoesnotGrangerCauseLNINDEX”和“LNINDEXdoesnotGrangerCauseLNHP”的原假设，说明房地产价格指数与上证综指之间存在双向格兰杰因果关系，即房地产价格的变化会引起股票价格的变化，股票价格的变化也会对房地产价格产生影响。拒绝“LNHPdoesnotGrangerCauseLNTRADE”的原假设，接受“LNTRADEdoesnotGrangerCauseLNHP”的原假设，表明房地产价格指数是股票成交量的格兰杰原因，房地产价格的波动会影响股票市场的交易活跃度，但股票成交量的变化对房地产价格没有显著的格兰杰因果影响。拒绝“LNINVdoesnotGrangerCauseLNINDEX”和“LNINDEXdoesnotGrangerCauseLNINV”的原假设，说明房地产开发投资完成额与上证综指之间存在双向格兰杰因果关系，房地产开发投资的变化会影响股票市场，股票市场的波动也会对房地产开发投资产生作用。拒绝“LNINVdoesnotGrangerCauseLNTRADE”的原假设，接受“LNTRADEdoesnotGrangerCauseLNINV”的原假设，表明房地产开发投资完成额是股票成交量的格兰杰原因，房地产开发投资的变动会影响股票市场的交易活跃度，而股票成交量的变化对房地产开发投资没有显著的格兰杰因果影响。5.3.5脉冲响应函数分析结果基于VAR(3)模型，通过脉冲响应函数分析一个标准差大小的冲击对其他变量的动态影响，得到房地产市场与股票市场变量之间的脉冲响应图（图1-图4）。【此处插入图1：LNHP对LNINDEX的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINDEX受到一个标准差冲击时，LNHP的响应情况】【此处插入图2：LNINDEX对LNHP的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNHP受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图3：LNINV对LNINDEX的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINDEX受到一个标准差冲击时，LNINV的响应情况】【此处插入图4：LNINDEX对LNINV的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINV受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图1：LNHP对LNINDEX的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINDEX受到一个标准差冲击时，LNHP的响应情况】【此处插入图2：LNINDEX对LNHP的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNHP受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图3：LNINV对LNINDEX的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINDEX受到一个标准差冲击时，LNINV的响应情况】【此处插入图4：LNINDEX对LNINV的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINV受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图2：LNINDEX对LNHP的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNHP受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图3：LNINV对LNINDEX的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINDEX受到一个标准差冲击时，LNINV的响应情况】【此处插入图4：LNINDEX对LNINV的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINV受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图3：LNINV对LNINDEX的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINDEX受到一个标准差冲击时，LNINV的响应情况】【此处插入图4：LNINDEX对LNINV的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINV受到一个标准差冲击时，LNINDEX的响应情况】【此处插入图4：LNINDEX对LNINV的脉冲响应图，横坐标为滞后阶数（1-20期），纵坐标为响应值，展示当LNINV受到一个标准差冲击时，LNINDEX的响应情况】从图1可以看出，当股票市场（LNINDEX）受到一个标准差的正向冲击后，房地产价格指数（LNHP）在前2期呈现出上升趋势，第2期达到峰值，响应值约为0.03，随后逐渐下降，在第8期左右趋于平稳。这表明股票市场的繁荣会在短期内对房地产价格产生正向影响，股票市场的上涨会通过财富效应、投资替代效应等渠道，使投资者增加对房地产的需求，从而推动房地产价格上涨，但这种影响随着时间的推移逐渐减弱。从图2可以看出，当房地产市场（LNHP）受到一个标准差的正向冲击后，股票市场（LNINDEX）在前3期呈现出上升趋势，第3期达到峰值，响应值约为0.025，随后逐渐下降，在第10期左右趋于平稳。这说明房地产价格的上涨也会在短期内对股票市场产生正向影响，房地产市场的繁荣会使投资者对经济前景更加乐观，增加对股票的投资，推动股票价格上涨，但这种影响同样会随着时间的推移而逐渐减弱。从图3可以看出，当股票市场（LNINDEX）受到一个标准差的正向冲击后，房地产开发投资完成额（LNINV）在前3期呈现出上升趋势，第3期达到峰值，响应值约为0.02，随后逐渐下降，在第10期左右趋于平稳。这表明股票市场的繁荣会在短期内刺激房地产开发投资，股票市场的上涨使企业融资环境改善，开发商对未来市场预期乐观，从而增加房地产开发投资，但这种影响会随着时间的推移而逐渐减弱。从图4可以看出，当房地产开发投资完成额（LNINV）受到一个标准差的正向冲击后，股票市场（LNINDEX）在前4期呈现出上升趋势，第4期达到峰值，响应值约为0.022，随后逐渐下降，在第12期左右趋于平稳。这说明房地产开发投资的增加会在短期内对股票市场产生正向影响，房地产开发投资的增加会带动相关产业链的发展，企业盈利预期提高，从而吸引投资者购买股票，推动股票价格上涨，但这种影响会随着时间的推移而逐渐减弱。5.3.6方差分解结果基于VAR(3)模型进行方差分解，分析各变量对其他变量波动的贡献程度，结果如表5所示：时期S.E.LNHPLNINVLNINDEXLNTRADE10.034100.0000.0000.0000.00020.04592.3453.4562.5671.63230.05685.4325.6785.1233.76740.06778.6787.8907.4566.07650.07872.3459.5679.8768.21260.08966.45611.23412.34510.06570.10061.34512.87614.76511.01480.11156.78914.34517.01211.85490.12252.67815.67819.12312.521100.13349.01216.89021.01213.086从表5可以看出，在第1期，房地产价格指数（LNHP）的波动完全由自身引起。随着时间的推移，房地产开发投资完成额（LNINV）、上证综指（LNINDEX）和股票成交量（LNTRADE）对房地产价格指数波动的贡献逐渐增加。在第10期，LNHP自身的贡献率下降到49