Matlab金融周期与房价量化研究：VAR模型实战-代码聚汇网

Matlab金融周期与房价量化研究：VAR模型实战

文刀石

1. 项目概述：金融周期与房地产价格的量化研究

金融周期对房地产价格的影响一直是学术界和政策制定者关注的核心议题。这项研究通过复现《金融研究》顶刊论文，旨在揭示两者之间的动态关联机制。作为金融计量领域的经典课题，该研究不仅具有理论价值，更能为房地产市场调控提供数据支持。

我选择用Matlab实现这个研究主要基于三个考量：首先，Matlab强大的矩阵运算能力特别适合处理金融时间序列数据；其次，其丰富的计量经济学工具箱（Econometrics Toolbox）包含VAR、GARCH等标准模型；最后，Matlab的可视化功能可以直观展示脉冲响应等复杂结果。整个复现过程涉及数据清洗、模型构建、结果验证三个关键阶段，需要特别注意金融周期指标的构建逻辑和模型稳健性检验。

提示：完整复现学术论文时，务必先通读原文的方法论部分，重点关注变量定义、数据处理流程和模型设定细节，这些往往比最终的实证结果更重要。

2. 核心数据准备与处理

2.1 数据来源与指标构建

原始研究通常采用以下核心指标：

金融周期代理变量：信贷/GDP缺口、房地产价格缺口（使用HP滤波法提取周期成分）
房地产价格指标：70个大中城市新建商品住宅价格指数（同比）
控制变量：GDP增长率、M2供应量、利率水平等宏观经济指标

数据获取途径：

matlab复制% 从Wind/CEIC数据库导出CSV示例
raw_data = readtable('macro_data.csv'); 
% 或者从Excel导入
[data, headers] = xlsread('financial_cycle_data.xlsx');

2.2 数据清洗关键步骤

异常值处理：采用3σ原则识别并修正极端值

matlab复制outliers = isoutlier(data.price_idx,'mean');
data.price_idx(outliers) = median(data.price_idx(~outliers));

季节性调整：对月度数据使用X12-ARIMA方法

matlab复制price_sa = x12(data.price_idx, 'Frequency',12);

平稳性检验：ADF/KPSS单位根检验

matlab复制[h,p] = adftest(data.gdp_growth); % 若p>0.05需差分处理

2.3 金融周期提取技术细节

使用HP滤波分离趋势项与周期项时，平滑参数λ的选择至关重要：

年度数据：λ=100
季度数据：λ=1600
月度数据：λ=14400

matlab复制[cycle, trend] = hpfilter(data.credit_gdp, 14400); 
plot(data.date, [cycle trend]);
legend('周期成分','趋势成分');

3. 模型构建与实证分析

3.1 基准VAR模型实现

构建包含金融周期指标(fc)、房地产价格(hp)、利率(int)的三变量VAR系统：

matlab复制% 数据准备
Y = [fc hp int]; 
% 滞后阶数选择（AIC/BIC准则）
[~,~,info] = varm(size(Y,2),0).estimate(Y);
disp(info.SIC); % 输出各阶SIC值

% 估计VAR(2)模型
Mdl = varm(3,2);
EstMdl = estimate(Mdl,Y);

% 脉冲响应分析
irf(Mdl, 'VariableNames',{'FC','HP','INT'});

3.2 时变参数扩展(TVP-VAR)

为捕捉政策 regime switching效应，可采用时变参数模型：

matlab复制% 需要安装TVP-VAR工具箱
addpath('tvpvar_toolbox');
[beta_tv, sigma_tv] = tvpvar(Y, 2); 
tvplot(beta_tv(:,:,1)); % 展示第一个方程的时变系数

3.3 稳健性检验方案

替换金融周期指标：用信贷增速替代信贷/GDP缺口
改变滤波参数：测试λ=10000与λ=160000的敏感性
子样本分析：分2008年前后两个时段分别回归

4. 结果可视化与学术图表制作

4.1 脉冲响应函数绘制

matlab复制[Response,Lower,Upper] = irf(EstMdl);
figure;
subplot(3,3,1);
plot(1:20, Response(:,1,1), 'b', 1:20, Lower(:,1,1), 'r--', 1:20, Upper(:,1,1), 'r--');
title('金融周期对自身的冲击');
% 其他子图类似设置...

4.2 学术级图表格式设置

matlab复制set(gcf,'Position',[100 100 800 600]);
set(gca,'FontName','Times New Roman','FontSize',12);
xlabel('期数','Interpreter','latex');
ylabel('响应幅度','Interpreter','latex');
print('-depsc','irf_plot.eps'); % 导出矢量图

5. 常见问题与解决方案

5.1 数据频率不匹配问题

当混合使用月度房价和季度GDP数据时：

matlab复制% 将季度GDP插值为月度
gdp_monthly = interp(data.gdp_quarterly,3,'spline');

5.2 Matlab内存不足处理

大样本TVP-VAR可能遇到内存限制：

使用pack命令整理内存碎片
将单精度改为双精度：

matlab复制Y = single(Y); % 减少内存占用

5.3 结果与原文不一致的排查步骤

检查原始数据是否完全相同（尤其注意基期调整）
确认所有参数设置（如HP滤波的λ值）
测试不同随机种子对MCMC结果的影响：

matlab复制rng(2023); % 固定随机数种子

6. 深度扩展方向建议

加入混频模型(MIDAS)：更好处理高低频混合数据

matlab复制% 需要安装MIDAS工具箱
beta = midas_reg(hp_monthly, gdp_quarterly, 3);

引入机器学习方法：用LSTM预测金融周期转折点

matlab复制lstm_net = trainLSTM(fc, hp, 'NumEpochs',100);

构建DSGE模型：将实证发现纳入理论框架

我在实际复现中发现三个关键细节常被忽视：(1)原始论文的样本截止日期可能影响结果外推性；(2)Matlab默认的OLS估计与某些统计软件的标准误计算方法不同；(3)房价数据通常需要取对数处理以消除异方差。建议在报告结果时明确标注这些处理细节。