【全球前沿】如何分析新闻中的情绪?与房地产市场动态关系是什么?

本文研究了新闻情绪与中国住房市场动态之间的时变关系。通过自然语言处理模型，基于超过54,000条新闻叙事构建了新闻情绪指数，并利用小波分析从频域角度探讨了新闻情绪与住房市场之间的协同变动。研究发现，新闻情绪指数在短期内领先于房价变动，但滞后于住房投资和需求，而在中期内则驱动房价和住房投资。此外，新闻叙事与房地产股票紧密相关，新闻情绪指数在长期内对房地产股票具有领先作用。研究还发现，二线、三线和西部城市的房价对新闻情绪指数更为敏感，且负面情绪指数在整个期间对房价具有更显著的领先作用，证实了情绪的不对称效应。

2. 文献回顾

2.1 住房市场情绪的影响

现有研究表明，居民对未来房价的预期显著影响住房市场。住房市场情绪指数在解释房价波动中扮演重要角色，市场参与者的情绪可能导致羊群效应和错误定价。此外，住房交易数据构建的情绪指数也显示情绪对住房市场有显著影响。

2.2 住房市场情绪的测量

住房市场情绪的测量方法主要包括调查、代理变量和叙事分析三类。调查方法通过收集市场参与者的见解来测量情绪，但存在数据收集成本高和受访者偏差的问题。代理变量方法则利用主成分分析等方法从多个变量中提取情绪指数，但缺乏连续性和泛化性。

叙事分析方法利用自然语言处理技术分析新闻、社交媒体等文本数据，能够提供更及时和全面的信息。

2.3 小波分析在经济学和金融学中的应用

小波分析作为一种强大的时频分析框架，广泛应用于经济学和金融学领域。它能够捕捉时间序列数据的周期性、季节性和趋势模式，并解释不同变量之间的相互关系。

在住房研究中，小波分析被用于分析房价动态、市场变化点的识别以及不同住房市场之间的关系。

3. 研究方法

3.1 新闻情绪指数的构建

本文使用自然语言处理模型（FinBERT）对来自CSMAR数据库的超过54,000条新闻叙事进行情感分析，构建了每日和每月的新闻情绪指数。FinBERT模型通过计算每条新闻叙事的情感得分，并根据新闻标题的情感标签（正面、负面或中性）进行分类，最终构建出新闻情绪指数。

3.2 住房数据的收集

住房数据来源于中国国家统计局的数据库，包括房价、住房投资、住房供给和房地产股票指数等指标。房价数据通过计算70个大中城市的新建商品房销售价格指数和二手房销售价格指数的平均值得出。住房投资数据使用住宅开发总投资额作为代理变量，住房供给数据使用新竣工房屋面积作为代理变量。房地产股票指数则选取了上证地产指数、深证地产指数和国证地产指数作为代理变量。

3.3 小波分析方法

本文采用连续小波变换、小波相干性和小波分解等小波分析方法，从时频域角度探讨新闻情绪与住房市场之间的协同变动。连续小波变换用于分析单个住房市场变量的局部运动，小波相干性用于研究两个变量之间的领先滞后关系，小波分解则用于识别每个住房市场指标的隐藏模式和主要驱动因素。

4. 实证分析

4.1 线性与非线性格兰杰因果检验

线性格兰杰因果检验结果显示，新闻情绪指数与房价之间存在双向因果关系，住房投资、住房需求和住房供给则单向格兰杰引起新闻情绪指数。

非线性格兰杰因果检验进一步揭示了新闻情绪指数与房价之间的非线性双向连接。

每日数据中，新闻情绪指数格兰杰引起上证地产指数，二者之间存在双向因果关系。

4.2 小波分析结果

小波分析结果显示，新闻情绪指数与住房市场指标之间存在复杂的时频关系。月度数据中，新闻情绪指数在长期内对房价具有显著影响，而在短期内则滞后于房价变动。

每日数据中，新闻情绪指数与房地产股票指数之间也存在类似的领先滞后关系。

4.3 小波分解分析

小波分解分析揭示了住房市场指标的周期性特征和主要驱动因素。例如，房价的周期性约为32个月，表明存在潜在的周期性因素影响住房市场。住房需求的周期性较短，对短期市场动态更为敏感。这些发现有助于预测未来市场走势并制定相应的政策措施。

5. 区域异质性分析

中国住房市场存在显著的区域异质性。本文通过格兰杰因果检验和小波相干性分析，探讨了新闻情绪指数在不同类别城市（如一线城市、二线城市、三线城市以及东部、中部和西部城市）住房市场中的作用。

结果显示，三线城市和西部城市的房价对新闻情绪指数更为敏感，表明这些地区的住房市场更容易受到新闻情绪的影响。