中国两岸房地产股票市场一体化及国际联系

廖锦贤^[1]

摘　要:本文检验了1995～2012年中国两岸房地产股票市场内部和与国际发达市场之间的一体化关系。结果显示两岸地区的三个市场之间和与其他国际发达房地产市场均不存在协整关系,但所有市场之间均存在小幅显著的非线性关系。在短期内,两岸地区内及与国际市场之间的条件性波动存在轻微的相互依存关系。随着时间的推移,从波动溢出的角度看,中国地区内的三个市场及与其他区域、国际市场正逐步一体化。此外,中国两岸地区的每一个市场正以相似的幅度影响及被其他两个市场所影响。最后,香港公共房地产市场在两岸地区环境中展示出“波动性主导者”的角色。

关键词:市场一体化 协整 波动溢出性指数 证券化房地产市场 大中华地区

中图分类号:F831.59　F831.5　F064.1

一、引言及研究动机

各国股票市场间逐渐增长的互相依存关系在过去20年间已成为广泛的研究主题。由于中国股票市场规模的快速增长^[2]以及中国两岸三地(GC)市场(包括中国内地、香港及台湾)的逐渐形成,关于GC市场内部及与其他区域性的市场和包括英美在内的主要国际股票市场间的相互影响的研究,将成为十分重要的前沿领域。由于中国持续有力的经济增长、大规模城镇化进程及私有房地产所有权的增长,香港房地产信托投资基金(REITs)在中国提供更多单一业务地产投资机会范围的增长及台湾与中国内地不断增强的经济纽带,本文将聚焦于GC的房地产股票市场。GC的直接房地产市场和房地产股票市场已引起国内和国际投资者的极大兴趣。

除了关于国际金融市场一体化的现有知识体系以外,本文另作出了重要贡献。本研究利用时间序列计量经济学,对较长时间(1995年1月至2011年4月)的最近进展进行分析和比较,研究GC市场的长短期关系以及它们的国际联系。本文特别从协整关系的视角,聚焦三地公共地产市场^[3]内部及/或与其他国际发达市场(美国、英国、澳大利亚、日本和新加坡)之间是否变得更加单整。运用多变量模型和Diebold和Yilmaz(2012)建立的波动溢出指数的方法,从条件波动的视角,分析三地市场在包括全球金融危机在内的整个研究期间是否影响及被国际其他市场所影响。据我们所知,除了值得注意的Liow和Newell(2012)以外,很少研究正式关注中国两岸市场的一体化。鉴于中国快速增长的经济影响,本文对两岸三地经济体公共地产市场内部及与其他主要国际发达市场间的不断变化的一体化水平和溢出效应的估计是重要和及时的。

必须指出的是,本文对研究领域的贡献不在于提供研究国际市场联系的新方法,而是吸收利用早期对股票市场(Cheng和Glascock,CG,2005)和房地产股票市场(Liow和Newell,LN,2012)的研究。但是我们在以下方面拓展了现有的文献。首先,CG的研究仅包括中国两岸三地和美国、日本的股票市场;LN的研究仅覆盖了中国两岸三地和美国的房地产股票市场;本文利用了中国两岸三地和更大范围的国际房地产股票市场(美国、英国、澳大利亚、中国香港和新加坡),其发现更能推广至其他公共地产市场和更长的时期。其次,CG检验了长期价格均衡和无条件收益率的联系;LN研究了条件波动的相互依存关系;相比之下,本文的研究范围更广:既包括了长期价格均衡,也包括了在控制了多变量GARCH效应下的短期条件波动相互依存关系。再次,随着国际金融市场越来越相关和联结,对于市场间波动传导效应、波动相关性和相互依存关系,以及溢出随着时间推移的程度和方向的理解,对于投资者、金融机构及政策制定者来说都是十分重要的。我们也能推导出在国际投资中哪个市场在对其他市场传导波动性的过程中最有影响力。CG(2005)和LN(2012)的研究均没有强调此问题,这也是本文的另一贡献。最后,由于国际投资者在分配投资组合时,不仅考虑了长期价格关系,也考虑了市场波动性的相互影响和短期收益率的相关性结构,因而本研究能为投资者在中国两岸三地房地产股票市场长短期的区域内和国际多样化投资收益的程度提供线索。

二、房地产股票在中国两岸三地的重要性

鉴于在过去几年来中国的强势经济增长和房地产市场成熟度及透明度的提升,房地产在GC的重要性近年来已越来越有所提升(Chin等,2006)。因此,两岸地区在国际金融危机时期已吸引了越来越多的国际投资者的注意。相比于2007年的仅7.6%,该地区在2008年占领了全球商业房地产13%的交易份额(Newell和Razali,2009)。香港、上海、北京和台北等两岸地区的主要城市也逐渐变为主要的国际化城市,拥有重要的区域和国际经济作用(Newell等,2009)。

在2009年9月,中国两岸三地市场的上市房地产股票占全球房地产股票的29%,其中香港占20.3%,中国内地占7.8%,台湾占0.9%(MacquarieSecurities,2009)。中国香港正逐渐成为全球最大的房地产股票市场,同时中国内地排名第3,中国台湾排名第16。GC股票市场占全球股票市场11%的份额也反映了该地区房地产股票的高份额(WFE,2009)。GC的REITs市场仍然处于初级阶段,其中香港和台湾的REITs市场均成立于2005年,占全球REITs市场仅1.9%的份额(MacquarieSecurities,2009)。中国内地的REITs市场尚未成立。

在中国,国有企业占领了房地产股票市场,其中房地产开发为主要房地产活动。中国万科(挂牌于深圳证券交易所)、中国海外发展有限公司(挂牌于香港联交所)及合生创展(挂牌于香港联交所)位列前三。香港股票市场前20家上市公司中有6家为房地产公司,这在很大程度上反映了房地产上市公司在香港股票市场上的重要性。由于香港房地产市场的相对成熟性和小规模,以及迅速的经济发展和中国活跃的房地产市场,许多香港公司正逐渐增加在中国内地的房地产经营活动。与此同时,许多香港开发商已经将他们的经营活动扩展到中国内地,并开始关注一些二线城市(如重庆、天津等)。中国房地产开发的其他主要参与者是不断增加的中国台湾、泰国、马来西亚、印度尼西亚、新加坡、韩国及日本的房地产开发商。相比之下,由于监管和法律的复杂性以及其他有关的投资风险,美国及欧洲的公司在中国房地产市场的参与比起亚洲开发商仍然有限,因为他们需要一段时间熟悉当地的房地产市场。外国投资者也面临因中国外币管理、政府对土地供给的垄断及频繁变化的规定和文化差异等而产生的风险。

彭博数据库的数据显示,在2005年至2009年期间,房地产股票市场占本地股票市场资本总量的平均值为6.29%(中国内地)、9.98%(香港)和1.02%(台湾)。2009年底上市房地产公司的数量为114家(中国内地)、122家(香港)和10家(台湾)。此外,估计有16.5%的中国内地房地产股份有限公司(占30%的市场资本总值)在香港联交所上市。最后,近年来中国两岸三地房地产股票市场相比于其他主要市场的强有力的表现更进一步加强了该领域的发展。特别是,从全球金融危机中的强劲的复苏是明显的,显著地超越了美国、英国和全球成熟市场(Macquarie Securities,2009)。

三、文献综述

对文献的回顾表明了国际股票市场存在两种主要的相互依存关系。第一,一些研究运用了协整检验和格兰杰因果检验以解决中国内地及内地和香港之间的长期股票市场一体化的问题(如Kim和Shin,2000)。第二种研究关注于国际市场间波动传导和相互依存的短期关系。Groenewold等(2004)发现了上海和深圳股票市场间的强烈的同期关系,但这两个内地市场相对孤立于香港和台湾的股票市场。Qiao等(2008)利用双变量FIVECMBEKK GARCH模型,分析了中国分割股票市场(A股和B股)和香港股票市场间的长期均衡、短期调整和溢出效应。该分析得到了两个主要发现:(1)A股市场在贡献溢出效应方面最有影响力;(2)亚洲危机对动态收益率相关性的效应在各股票市场各不相同。虽然Johansson和Ljungwall(2009)发现中国地区三个市场间没有长期关系,从VARMVGARCH模型中得出该地区的收益率和波动性仍存在短期溢出效应。在不同背景下,Fan等(2009)利用马尔科夫转换向量误差校正模型(MSVECM),研究了中国内地市场和美国、英国、日本及中国香港股票市场间的动态联系,考虑了市场上衰退、繁荣和投机的三种状态。在短期内,他们发现中国股票市场已被四个国际股票市场所影响,且该影响在不同市场状态下各不相同。Tao和Zhang(2009)研究了次贷危机期间从美国到中国内地和香港股票市场的溢出效应。利用单变量和多变量GARCH模型,他们发现,中国股票市场已经历了来源于美国市场的股价和波动性的溢出。此外,美国市场的股价和波动性溢出对香港股票收益率的影响显著于对中国内地市场收益率的影响。中国内地和香港间的条件相关性均高于两者与美国之间的条件相关性,显示了中国内地和香港间不断提升的金融一体化水平。最后,CG(2005)研究了GC市场与美国间的长期价格均衡关系。通过非线性协整方法,他们发现三个市场之间存在弱非线性关系;但是,这三个市场与美国和日本间均不存在协整关系。此外,该研究包含了由新息核算(innovation accounting analysis)得出的非条件收益率溢出的结果,表明了香港在三地市场中最有影响力。在亚洲金融危机后,香港和台湾相互间均存在同期关系。虽然CG已考察了中国两岸三地市场和美国股票市场之间的长期关系,但涉及股票市场间波动性联系的更完整的研究还没有展开。具体地说,市场一体化的两个重要组成部分——时变条件相关性和条件波动性溢出,还没有在CG的研究中得到解决。

在房地产方面的文献中,从美国房地产股票市场中得到的多样化收益获得了相当多的注意(如Worzala和Sirmans,2003;Michayluk等,2006)。对比之下,关于中国商业房地产市场动态的实证研究仍然有限。Newell等(2009)阐述了在既含有上市房地产也含有直接房地产的泛亚洲投资组合中,中国商业房地产经过风险调整后的表现、附加值和投资组合多样化收益;而Ke(2008)则评定了中国国有上市房地产公司的表现。其他大部分涉及中国的研究还没有只关注于中国的,而是大部分关于在泛亚洲房地产股票投资组合中的中国房地产股票(如Liow和Adair,2009)。同样,关于台湾上市房地产股票的研究,集中在这些股票在泛亚洲投资组合中的作用(如Liow和Sim,2006)。其他大部分关于香港上市和直接房地产市场的研究集中在香港地产公司,包括香港上市和直接地产市场的联系(如Newell等,2004)、香港地产公司的表现(如Chau等,2003)、香港地产公司在泛亚洲或全球地产公司投资组合中的作用(如Liow,2007)以及香港直接房地产市场的动态(如Brown和Chau,1997)。LN(2007)考虑了市场间短期条件关系的两个重要问题——波动性相互作用和时变相关性,它们的动态可能与长期存在的动态十分不同。他们同时研究了1995～2009年期间,波动性溢出和条件相关性对中国两岸三地房地产股票市场间的关系,以及它们与美国房地产股票市场的国际联系的作用。总之,他们的研究结果表明,从波动性和相关性的角度来看,三个GC市场内部及与美国市场间存在单整关系。此外,三个GC市场内部的条件相关系数已超出了它们与美国市场的条件相关系数,表明三个GC市场由于地理接近和更密切的经济联系而存在更加紧密的一体化关系。最后,他们发现了所有市场间在2007年全球金融危机时期的更高水平的波动性溢出和相关性。

四、数据和方法

我们使用Standard&Poor’s(S&P)在三个GC市场[中国内地(CH)、中国香港(HK)、中国台湾(TW)]和五个非GC地区的房地产股票市场[澳大利亚(AU)、日本(JP)、新加坡(SG)、英国(UK)和美国(US)]^[4]从1995年1月4日至2012年4月25日(所有数据可用的最长时期)的周收盘房地产股票指数。S&P全球地产数据库作为市场上最新的国际公共房地产数据库,是为了反映可投资国际房地产股票全部领域的各个部分以及它们的风险和收益特征。

如同LN(2012)所述,三个GC房地产股票市场在宏观经济状况、市场开放程度、信息透明度、法律系统、大小和成熟水平方面,以及政府干预房地产市场的程度都大不相同。再者,中国内地房地产股票市场仍然未充分发展,需要更长的时间成熟。例如,在中国内地没有REIT市场。相比之下,香港房地产股票市场是世界上最大的市场之一,其上市房地产公司已在香港证券交易所拥有长期的记录。最后,台湾拥有相对稳定的经济增长,其包括一个2005年建立的REIT市场(TWREIT或TREIT)在内的房地产股票市场,是三个市场中最小的。选择这五个国际市场是因为它们是明显的适合对象(如在亚洲、欧洲和北美是最发达的)。美国、英国、日本和澳大利亚拥有发展完善的金融市场和开放的资本账户。特别是,美国和日本是中国两岸经济的主要投资者和贸易伙伴。新加坡由于其地理接近性和文化相似性,已经和中国两岸经济保持密切的联系。

此外,我们选取了四个区域性房地产股票市场指数:Panda(中国两岸地区区域性指数)、亚太地区(AP)、欧洲地区(EU)和北美地区(NM),根据情况做相似的区域性分析。总收益指数的自然对数的计算结果作为周房地产指数收益率,采用相同货币——以美元计算的收益率。相同货币的方法使比较更加合理,并排除了因汇率波动而产生调整的交易。图1为这八个房地产股票市场总收益指数在整个研究期间的时间序列趋势。此外,表1提供了样本的描述统计。JarqueBera(JB)检验显示了所有指数在整个研究期间内都不是正态分布。因此,GARCH模型是有用的。

图1　房地产股票市场周指数(美元收益率)

资料来源:如无特别指出,本文分析均使用S&P周房地产股票指数收盘价。

我们的实证方法包括四个主要步骤。第一,使用协整检验估计市场是否处在长期均衡。Johansen的多变量方法用来检验房地产股票价格指数的协整关系。原假设是房地产股票价格指数间不存在协整关系。Johansen方法的基础,本质上是带有等式间限制的VAR模型。^[5]第二,由于市场可能存在非线性联系,且Johansen检验仅能测出线性关系(CN,2005),我们先使用非参数的BDS(Brock等,1987)来检验上市地产公司股票回报率样本的非线性特征。然后,使用Okunev和Wilson(1997)的双变量偏协整模型(bivariate partial cointegration model)来检测市场间可能存在的非线性关系。第三,我们使用多变量GARCH,以提取条件波动性序列来估计其波动性相互依存关系。第四,利用Diebold和Yilmaz(2012)的推广VAR和波动性溢出指数(volatility spillover index)的方法,从条件波动性溢出的视角,估计GC是否在整个样本期间和全球金融危机期间影响其他市场或更多地被其他市场所影响。

表1　周房地产股票市场收益率描述统计:1995-01-04～2012-04-25　　　单位:美元收益率

五、实证结果

(一)非条件相关性

对房地产股票指数一体化的简单检验可通过市场间周指数收益率(和方差)的相关系数来估计。表2报告了整个研究期间的结果。除了两个少数的例外之外,大多数市场间的收益率和方差都存在着正相关系数。在GC市场中,中国内地和香港市场间的收益率与方差的相关系数均为最高(收益率相关系数为0.3643,方差相关系数为0.1780)。在国际性联系方面,中国香港和新加坡的收益率相关系数最高(0.5855),随后是中国香港和澳大利亚(0.3998)及中国香港和日本(0.3323)。类似地,中国香港和新加坡间的方差相关系数最高(0.4039)。所有其他收益率和相关系数均低于0.30。基于以上的结果,我们倾向于得出GC房地产股票市场自身之间以及与主要国际发达公共地产市场在一阶矩和二阶矩上相互关联的结论。然而,GC市场内部和与其他市场间的房地产股票市场的一体化程度在整个期间内大部分微弱,反映了在两岸三地房地产股票领域存在投资组合多样化的机会。

表2　1995～2012年房地产股票市场收益率和方差的非条件相关系数　　　单位:美元

注:表中对角线以上为收益率相关系数;对角线以下为方差相关性。

(二)长期价格均衡的依据

我们使用Johansen多变量协整检验(1988,1991)确定在7个市场组中是否存在长期价格均衡。确立这些市场组以便我们可以检验GC市场内部、GC和美国市场、GC和英国市场、GC和澳大利亚市场、GC和日本市场、GC和新加坡市场,以及区域性的GC指数(Panda)和AP、EU和NM的协整关系^[6]。表3总结了结果。

表3　Johansen’s协整检验结果(USD)

注:该表总结了1995～2011年对中国内地(CH)、中国香港(HK)、中国台湾(TW)、美国(US)、英国(UK)、澳大利亚(AU)、日本(JP)和新加坡(SG),以及对Panda(PDA)、亚太(ASP)、欧洲(EUR)和北美(NAMR)地区基于Johansen(1988)多变量方法的协整检验的结果。VAR的滞后长度取决于AIC。此外,VAR模型中包含一个趋势项。r表示原假设中协整向量的数量。我们报告了最大迹(trace)和最大特征值(eigen),并和5%及1%的关键值比较。检验均一致在5%和1%水平上否定了协整关系。

基于λtrace和λmax的计算值,所有7个协整性检验均不能拒绝零协整向量的原假设,反映了房地产股票市场指数在整个时期内非协整。例如,3个GC市场自身内部非协整,3个GC市场和美国、英国、澳大利亚、日本和新加坡市场非协整,区域性的GC Panda指数和其他3个区域性指数非协整。因此,虽然这些市场相互关联,但它们在长期内依然相互分离。CN(2005)对同类股票市场研究的结果表明,市场分离是不合理的,因为虽然对外资和外汇有着严格的控制,中国内地和中国台湾地区仍然是联系非常紧密的市场。此外,中国内地和中国台湾地区之间的政治局势会造成这两个股票市场一些非预期的背离。虽然这些(公共)地产市场有越来越高的透明度和开放程度,国际发达公共地产市场基本上较少影响CH,对TW的影响能力更小。此外,相对于已经建立REIT体系的所有其他市场,CH仍没有引进和制定REIT的法律。CH和更小规模的TW房地产和公共地产市场处于发展中期和不同的成熟阶段,需要更多的时间和国际发达地产市场同步。总的来说,从协整关系被拒绝得出一个启示:由于GC和国际公共地产市场间缺乏共同的长期价格均衡关系,国际投资者也许能够从GC公共地产市场中分布一些投资,以提高多样化收益。

对比之下,表4揭示了1997年7月～1999年12月亚洲金融危机期间,在GC市场和US市场之间、GC和JP市场之间存在一个显著的(5%水平)协整向量。在2007年7月～2009年12月全球金融危机期间,所有7个市场组都存在一个协整向量。这些结果表明,全球金融危机和较小程度的亚洲金融危机可能已经改变了GC地区内部和与其他市场间就协整关系覆盖度而言的互相依存关系的强度。协整关系的存在也暗示了GC和国际发达上市地产市场在长期内一定程度上趋于一致。此发现与关于全球股票市场在一些市场震荡后由于传染效应已变得更加协同的现存文献有广泛的一致。这个结果更进一步表明了在危机期间,任何通过多样化的投资组合风险的减少可能并不显著或甚至不存在。因此,由于主要危机引发的导致市场相互依存关系发生可能的改变,投资组合经理应该谨慎地定期检查其关于GC地产股票投资组合的国际分散投资模型和策略。虽然这些结果并不是初次出现,但由于危机导致的有限的多样化机会对投资者来说是一个警告。

表4　Johansen协整检验:在亚洲金融危机(AFC)和全球金融危机(GFC)期间协整向量的数量(5%水平)

(三)非线性关系的依据

我们首先使用非参数的BDS工具^[7](Brock et al.,1997)来检验我们8个上市房地产公司收益率的非线性特征。实证结果在表5中显示。实证分析使用的是去除自相关和GARCH过滤的收益率的残差项。根据数据,BDS检验表明,上市地产公司收益率序列(除了台湾市场)不是独立且不是相同分布的。因为iid的原假设不能拒绝,只有台湾市场的收益率序列有随机分布的可能。这些对样本数据先验的结果表明,一些非线性的结构可能存在于我们的样本数据中,但没有证据表明这个非线性结构是确定性的还是随机性的。

表5　对经过自相关(AR(p))和GARCH(1,1)过滤的上市地产市场回报率的非线性检验:BDS统计量(Z统计量)(原假设:独立同分布(iid)):1995年1月4日～2012年4月25日

表5B　经GARCH(1,1)模型过滤

注:自相关项数p的选择是根据最小信息准则AIC(MAICE)为标准。结果为1(CH),0(TW),1(HK),1(US),2(UK),2(AU),2(JP)和2(SG);嵌入维数(m)被限制范围为n/200或5;n=907;***表示显著水平为1%(Bootstrap概率)。

为了更深入地理解房地产股票市场是否存在非线性的联系,我们使用Okunev和Wilson(1997)提出的非线性双变量偏协整检验。为了检验的完整性,检验还包括了台湾市场的收益率。模型描述如下:

我们关心上式中的χ1。具体地说,如果χ1在0和1之间,那么yt (指数2)和xt(指数1)之间存在非线性关系,其系数值表明了该非线性关系的强度。从表6中看出,χ1对所有公共房地产股票市场指数均在1%水平上显著。CH/AU的χ1值最高(0.6392),接着是HK/SG(0.6238)和CH/HK(0.5839)。对比之下,CH/JP的χ1值最小(0.2371),接着是TW/US(0.2719)和HK/TW(0.2857),表明了这些市场间的弱非线性关系。

总之,虽然我们没有发现在整个研究期间GC市场内部和市场间长期价格均衡的证据,却发现了在房地产股票市场间弱到中等的双变量非线性关系。从此分析中得到的一个重要启示是,公共房地产股票市场不存在非线性关系可能会导致高估包含GC房地产股票市场在内的投资组合分配的多样化收益。

表6　房地产股票市场间非线性检验(双变量):1995～2011年

注:检验使用美元收益率并基于以下由Okunev和Wilson (1997)建立的非线性模型。

特别地,如果χ1在0和1之间,则说明yt和xt存在非线性关系,系数值表明了非线性关系的强度。

表格里每个单元格报告了估计系数和t统计值(括号内)。***,**,*分别表示双尾在1%,5%和10%上的显著性。

(四)VARVECHGARCH模型

我们将分析推广到在波动性、相关性传导和溢出效应研究中广泛使用的多变量GARCH模型。在目前的环境中,我们使用多变量VARVECHGARCH方法而非DCC MGARCH模型(Engle,2002),来过滤房地产股票市场收益率,并保证条件协方差矩阵的半正定。向量自回归(VAR)是一个常用的分析金融时间序列间多变量收益率关系的动态模型。此外,我们加入VECHGARCH组成部分以表现在残差方差系统中的条件异方差。VECHGARCH模型由Bollerslev、Engle和Woodbridge(1988)提出,描述如下:

VECH(Ht)=W+A.VECH(μt-1μ't-1)+B.VECH(Ht-1),μt/Ωt-1～N(0,Ht)式中,μt为n×1的干扰向量,W为n×1的参数向量,A是ARCH项的系数矩阵,B是GARCH项的系数矩阵,VECH(·)为储存对称矩阵上三角阵部分的算子。

为了确保VECH的模型设定简单合理和有足够的灵活性,我们使用其一个常见的形式——Diagonal VECH模型,来限制ARCH和GARCH系数是呈对角线的。对角线设定的一个重要优势在于它减少了估计参数的数量,并确保了条件协方差矩阵是半正定的。再者,该设定能在应用波动性溢出方法分析时识别自身的波动性溢出效应和市场间波动性溢出效应。^[8]残差的厚尾用Student’s t分布来模拟。

表7展示了VECHGARCH模型中方差—协方差等式的估计系数和显著性。这些系数定量表示了在8个房地产股票市场中自身和市场间滞后的新息(innovation),以及自身和市场间滞后的波动持续性对现在自身和市场间波动性的效应。结果表明,所有8个市场的自身波动性溢出(ARCH)均显著,且数值在1.69%～4.09%之间。所有市场间的波动性效应也显著,数值在1.99%～3.98%之间。在GARCH的参数中,所有自身滞后波动持续性和市场间波动持续性的估计系数均高度显著。

表7　房地产股票市场方差—协方差等式的估计系数

续表

注:从8个市场的A&B受限对角的VARVECH模型中得出。所有回归服从使用the Berndt-Hall-HallHausman (BHHH)最大法则的最大似然估计法得出的GARCH(1,1)模型。***表示1%水平的双尾显著性。

条件相关性分析(见表8)显示了3个GC市场的平均相关性(0.1717)高于GC市场和国际市场间的平均相关性(0.14076),反映了3个GC房地产股票市场间由于地理接近性和密切经济联系的更紧密的一体化关系。这些发现因此与Liow和Newell(2012)的文章一致。此外,CH和HK的相关性(0.3015)超过了它和5个国际市场的相关性(在0.0553和0.2546之间),与CH和HK之间不断提高的房地产市场一体化水平一致。此发现有时间趋势(time trend)结果的支持。该结果表明在整个时期内,CH和HK的相关性在控制了AFC和GFC的效应后,显著提高了约2.54%。

类似地,GC地区内和地区间的平均条件相关性显示了显著但却更小的各自约1.63%和0.57%的提高。图2(GC内)和图3(GC间)支持了在Panda地区的3个GC市场和其国际联系的更大范围的一体化趋势。总之,我们的结论为,在整个时期内,GC地区内和地区间的房地产市场一体化有不断提高的趋势,其中CH和HK在此过程中领先。最后,可以看到许多两个市场间的相关性在GFC期间内都高得多。GFC期间内的平均条件相关性提高了(相对于整个时期)约107.9%(GC),175.9%(中国内地和国际市场:CH/INT),63.3%(HK/INT),96.9%(TW/INT)和100.1%(PANDA/INT)^[9],表明了市场相关性存在结构转换(regime switching)。

表8　房地产股票市场平均条件相关系数

续表

注:基于多变量VARVECHGARCH的估计,该表报告了整个时期(1995年1月～2012年4月)周平均值、标准差、最大值、最小值和房地产股票市场条件相关系数(CC)的趋势(trend),以及全球金融危机(GFC)期间(2007年7月～2009年12月)CC序列的平均值和标准差。周趋势通过以下等式估计:(AFC:亚洲金融危机时期:1997年7月～1999年12月)经过NeweyWest HAC标准差和协方差调整。***,**,*表明了估计的周时间趋势分别在1%,5%和10%水平上显著。

(五)房地产股票市场条件波动性的相互依存关系

图4所示的条件方差时间序列表明了GC和国际市场中的时变波动的现象。此外,表9展示了拟合条件方差序列的统计特性。值得注意的是,条件方差(Q12和Q24)Ljung Box

Q统计量对所有市场在1%水平上高度显著,反映了序列相关性的存在。如预料一样,条件方差的平均值在GFC期间上升了。

表10展示了条件方差序列的相关性矩阵。在3个GC市场中,CH和HK的相关性依然最高(0.6544);而在GC与其他地区间,HK和SG的相关性最高(0.7683)。此外,在GFC期间波动性显著提高。总之,我们可以认为GC和国际市场样本的条件波动性相互独立,且GC地区内和横跨地区间的方差的相互关系强于收益率的相互关系。由于TW的条件方差与AU、UK和US市场不相关,所以TW是最少被影响的公共地产市场。

图2　条件相关系数时间序列图:GC市场(China,Hong Kong和Taiwan)

注:由多变量VARVECHGARCH估计得出,收益率以美元计算。

图3　条件相关系数时间序列图:GC和国际市场的平均值

注:由多变量VARVECHGARCH估计得出,收益率以美元计算。

图4　房地产股票市场条件方差的时间序列(USD)

注:由多变量VARVECHGARCH估计得出,收益率以美元计算。

表9　房地产股票市场条件方差的综合统计

注:CH(中国),HK(中国香港),TW(中国台湾),US,UK,AU(澳大利亚),JP(日本),SG(新加坡),Panda(中国两岸三地地区)。***表示在1%统计水平显著。整个时期样本数据时期为1995年1月4日至2012年4月25日。Q统计量为对条件方差序列的LjungBox统计量,检验了滞后12和24期的自相关性。GFC(Global Financial Crisis Period)数据时期为2007年7月4日至2009年12月30日。条件方差由VARVECH模型得出(收益率以美元计算)。

表10　房地产股票市场条件方差的相关系数结构

注:表中对角线以上数据为整个时期的相关系数;对角线以下数据为GFC时期的相关系数。CH(中国),HK(中国香港),TW(中国台湾),US(美国),UK(英国),AU(澳大利亚),JP(日本),SG(新加坡),Panda(中国两岸三地地区)。整个时期数据的跨度为从1995年1月4日至2012年4月25日。GFC时期为2007年7月4日至2009年12月30日。条件方差由VARVECH模型得出(收益率以美元计算)。

(六)条件波动性溢出和相互依存关系

我们将8个条件波动序列加入推广的VAR模型框架中(Diebold和Yilmaz,2012)。该推广的VAR模型能够通过分析所有市场间总体的和方向性的波动性溢出,来研究预测误差方差的分解,并且结果与变量顺序无关。^[10]动态溢出分析主要涵盖两方面:(1)平均总条件波动溢出指数衡量了来自滚动溢出的波动性预测误差方差的比例;(2)总/净方向性波动溢出指数表明了作为总波动性接收者的市场以及总波动性发出者和净波动性发出者的市场。在当前研究背景下,净方向性波动溢出分析将确认在整个样本期间和GFC期间,GC地区房地产股票市场是否更多地影响其他国际市场或是更多地被其他国际市场影响。

为了实施滚动分析,我们使用52周的滚动窗口估计了动态波动溢出,做出了滚动溢出图,以便评估由于金融市场进化和金融动荡(如GFC)引起的随着时间的总波动溢出变化的程度和本质。

此外,我们分析了两种方向性溢出总额的差作为净方向性溢出,如“来自其他市场的贡献”列的总和及“对其他市场的贡献”行的总和之间的差。主要结果总结如下:

1.图5用曲线表示了在3个GC公共地产市场总的和净方向性波动性溢出时间序列的变化。类似地,图6中的曲线图展示了3个GC市场和国际市场间(CH/INT;HK/INT;TW/INT;PANDA/INT)的总条件溢出时间序列的变化。曲线图表明了波动溢出性高度起伏的本质,没有观察到明显的模式。在整个期间,在GC市场内平均36.67%的波动性预测误差方差来自于溢出(spillover)。剩余的总预测误差方差的63.23%则来自于自身冲击(shocks)而非3个GC市场间冲击的溢出。此外,GC市场与其他市场间各个平均总波动溢出指数为60.04%(CN/INT),60.71%(HK/INT),60.19%(TW/INT)及60.73%(PANDA/INT)。再者,时间趋势分析反映了在控制了AFC和GFC效应之后,在整个研究期间,估计的总波动溢出指数显著上升了2.81%(GC),2.12%(CH/INT),2.25%(HK/INT),1.72%(TW/INT)和2.14%(PANDA INT)^[11],反映了波动互动的上升趋势和因此导致的GC地区内部和与其他市场间房地产股票市场的一体化。最后,在GFC时期前后,GC平均总波动指数为45.48%,相比整个时期的波动互动提高了8.8%。相似地,波动溢出指数在GFC时期提高了11.0%(CH/INT),11.0%(HK/INT),7.2%(TW/INT)和10.4%(PANDA/INT)。从由传染效应引起的金融波动,从而造成的条件波动观点来看,这些结果再次表明GC上市地产市场和它们的经济合作伙伴的相互影响更加深化。

2.在GC地区内,3个市场影响和被其他市场小幅影响,在整个时期平均总方向性溢出指数的范围为29.09%～41.57%。^[12]我们感兴趣的是,“平均净方向性溢出指数”反映了3个GC房地产股票市场中哪个是在输出波动性到其他两个GC市场中占据主导地位的(i.e.

有影响力)。GC地区中,平均净方向性波动溢出指数为-11.73%(CH)、3.79%(HK)和7.94%(TW),TW似乎比CH和HK对GC公共地产市场有更大的影响,其指数在整个研究时期在-100%和198.7%之间上下波动。额外的结果(为了简洁,结果未予报告)显示在3个GC市场中,CH对HK的波动性影响随着时间不断增大。最后,由于平均净方向性波动溢出指数为4.66%(50.27-45.61),香港成为在更多地传播条件波动性至其他两个GC市场方面的“波动性主导者”(volatility leader)。这个结果并不意外,因为相比较而言,作为国际金融中心,香港市场更加发达和成熟。

在横跨GC市场方面,图7展示了4个滚动净方向性波动溢出(CH/INT,HK/INT,TW/INT和PANDA/INT)。根据估计的结果,首先,3个GC市场均小幅地被来自于国际市场的波动性冲击影响(平均总方向性波动溢出指数在54.3%～59.2%之间)。同时,每一个GC地区的市场也在不同程度上影响着其他国际市场,其中HK排在首位(73.83%),接着为CH(63.09%)和TW(48.52%)。引起我们更多兴趣的是,作为“波动性主导者”的HK公共地产市场,对其他国际市场施加最多的净波动性的影响。其平均净方向性波动溢出指数为15.67%(73.83-58.16),且整个样本期间,在-98.3%～291.8%之间波动。其次,HK在GFC时期前后,再次成为“波动性主导者”,其平均净方向性波动溢出指数达到37.2%之高。最后,时间趋势分析反映了在控制AFC和GFC效应后,横跨GC地区的估计的平均净方向性波动溢出指数大多数在整个时期保持相对稳定,暗示了GC市场可能需要更长的时间对其他国际市场产生更大的波动性影响。

基于研究的结果,我们倾向于认为GC市场内和横跨GC市场的条件波动性相互依存的程度是小幅的。首先从波动溢出的角度来看,随着时间的变化,3个GC房地产股票市场之间以及和其他国际发达公共地产市场之间已变得更加单整。再次,每个GC公共地产市场在相似的程度上影响及被其他GC和国际市场影响,因此导致相对低的净方向性波动溢出指数的估计结果。和预期一致的是,由于在整个样本时期内,HK对其他国际地产市场施加最大的净波动性影响,HK显示为“波动性主导者”。但是在GC地区内部,随着时间的推移,CH对HK传输不断提高的波动性影响。最后,GC市场之间以及和部分国际发达公共地产市场之间的波动性一体化程度有所提高,GC市场在GFC时期前后也变得更加开放。随着在3个GC经济体发生的有利的政治和经济发展,我们预期GC市场间以及GC和国际市场间的波动性互动和联系随着时间的推移会有所加强。总之,基于波动溢出方法的对GC房地产股票条件波动性的交叉影响分析(cross impact analysis)有助于证实在GC和一些国际发达公共地产市场间在应对全球化和金融危机时更强的相互依存关系的证据,因此对现存文献作出了补充性的显著发现的贡献。

图5　滚动条件总的和净方向性波动图(Rolling conditional aggregate and net directional volatility):房地产股票市场

注:由Diebold和Yilmaz(2012)波动溢出指数方法得出,使用美元收益率估计。从左至右、从上至下4幅图分别表示:“总波动溢出指数(%):GC市场”、“净方向性波动溢出指数(%):中国”、“净方向性波动溢出指数(%):中国香港”、“净方向性波动溢出指数(%):中国台湾”。估计步骤基于52周滚动窗口和24步幅度(horizon)。图中每个点为“来自其他市场的贡献(contribution from)”列的总和及“对其他市场的贡献(contribution from)”行的总和之间的差(i.e.contribution to-contribution from);“全时期”:(1996年1月10日～2012年4月25日,851周);“GFC”:全球金融危机(2007年7月4日～2009年12月30日,131周)。

图6　滚动条件总条件波动溢出图:GC和国际市场

注:由Diebold和Yilmaz(2012)波动溢出指数方法得出,使用美元收益率估计。从左至右、从上至下4幅图分别表示:“净方向性溢出:中国&国际”、“净方向性溢出:中国香港&国际”、“净方向性溢出:中国台湾&国际”、“净方向性溢出:GC&国际”。估计步骤基于52周滚动窗口和24步幅度(horizon)。图中每个点为“来自其他市场的贡献(contribution from)”列的总和及“对其他市场的贡献(contribution from)”行的总和之间的差(i.e.contribution to contribution from);“全时期”:(1996年1月10日～2012年4月25日,851周);“GFC”:全球金融危机(2007年7月4日～2009年12月30日,131周)。

六、结论

虽然已有大量的有关全球房地产市场相关性和一体化的研究,但我们的研究是极少数重点关注于短期和长期三个中国两岸三地(GC)市场和经由选择的国际发达公共地产市场的动态一体化的研究之一。本文对文献的贡献在于:(1)评价和比较了在一段相对长的时期和全球金融危机(GFC)前后,房地产股票市场组之间线性长期关系的程度;(2)使用了Okunev和Wilson(1997)的双变量偏协整模型,以检测公共地产市场在一段时间内可能的非线性关系;(3)使用多变量GARCH方法的最新进展以及Diebold和Yilmaz(2012)的推广波动溢出方法(包括滚动、总和净波动溢出),研究3个GC股票房地产市场之间和(或)与其他市场间是否已变得更加单整,以及从条件波动角度分析3个GC市场是否影响或更多地被其他市场影响。

基于S&P提供的周房地产股票总收益指数数据,主要结果可以归纳如下:1995～2012年期间,不同的地产股票市场组间不存在长期关系;然而在GFC期间,GC市场和5个国际市场存在协整关系。非线性协整分析结果反映了样本房地产股票市场虽然不存在协整,但是这些市场有小幅但显著的非线性关系。波动溢出指数方法的结果表明了在GC地区内部和横跨GC地区的条件波动相互依存关系的程度是小幅的。随着时间的推移,从波动性传递的角度看,3个GC房地产股票市场之间以及和其他区域性/国际发达公共地产市场之间已变得越来越单整。此外,3个GC公共地产市场中的每一个均以相似的程度影响及被其他GC和国际市场影响着,因此导致了相对低的平均净方向性波动溢出指数的估计结果。香港公共地产市场在GC地区和横跨GC地区环境中显示为“波动主导者”。

图7　滚动净方向性条件波动溢出图(Rolling net directional conditional volatility spillover):GC和国际市场

注:由Diebold和Yilmaz(2012)波动溢出指数方法得出,使用美元收益率估计。从左至右、从上至下4幅图分别表示:“净方向性溢出:中国&国际”、“净方向性溢出:中国香港&国际”、“净方向性溢出:中国台湾&国际”、“净方向性溢出:Panda&国际”。估计步骤基于52周滚动窗口和24步幅度(horizon)。图中每个点为“来自其他市场的贡献(contribution from)”列的总和及“对其他市场的贡献(contribution from)”行的总和之间的差(i.e.contribution to-contribution from);“全时期”:(1996年1月10日～2012年4月25日,851周);“GFC”:全球金融危机(2007年7月4日～2009年12月30日,131周)。

虽然本文结论并不新颖,但结果确认了过去的发现,并丰富了关于GC房地产股票市场一体化方面的文献。由于特别是在金融波动的情况下,GC地区内和横跨地区之间不断提高的房地产股票市场一体化(例如长期的价格均衡和波动溢出效应),有限的多样化投资机会的结果也为投资者和投资组合经理敲响了警钟。特别的,我们基于波动溢出方法的GC房地产股票条件波动的交叉影响分析,有助于确认GC和经由选择的国际发达公共地产市场在应对全球化和金融危机时在条件波动性方面表现的更强的相互依存关系的证据,因而为现存的上市房地产市场波动研究文献增加了显著的补充性的发现。

参考文献

[1]Brock,W.,W.Derchert and J.Scheinkman.A test for independence based on the correlation dimension[R].Working paper,University of Wisconsin,1987.

[2]Brown,Gerald R.,and Kwong Wing Chau.1997.Excess returns in the Hong Kong commercial real estate market[J].Journal of Real Estate Research,14(2):91-105.

[3]Chau,Kwong Wing,Siu Kei Wong,and Graeme Newell.2003.Performance of property companies in Hong Kong:a style analysis approach[J].Journal of Real Estate Portfolio Management,9(1):29-44.

[4]Cheng,Hwahsin,and John Glascock.2005.Dynamic linkages between the Greater China Economic Area stock Markets—Mainland China,Hong Kong,and Taiwan [J].Review of Quantitative Finance and Accounting,24(4):343-357.

[5]Chin,Wei,Peter Dent,and Claire Roberts.2006.An Exploratory Analysis of Barriers to Investment and Market Maturity in Southeast Asian Cities[J].Journal of Real Estate Portfolio Management,12(1):49-57.

[6]Diebold,Francis X.,and Kamil Yilmaz.2008.Measuring Financial Asset Return and Volatility Spillovers,with Application to Global Equity Markets [J].The Economic Journal,119(534):158-171.

[7]Diebold,Francis X.,and Kamil Yilmaz.2012.Better to give than to receive:Predictive directional measurement of volatility spillovers[J].International Journal of Forecasting,28(1):57-66.

[8]Engle,Robert.2002.Dynamic Conditional Correlation:A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J].Journal of Business&Economic Statistics,20(3):339-350.

[9]Fan,Kui,Zudi Lu,and Shouyang Wang.2009.Dynamic linkages between the China and international stock markets[J].AsiaPacific Financial Markets,16(3):211-230.

[10]Fung,HungGay,Alan Guoming Huang,Qingfeng Liu,and Maggie Xiaoqin Shen.2006.The Development of the Real Estate Industry in China[J].Chinese Economy,39(1):84-102.

[11]Groenewold,Nicolaas,Sam Hak Kan Tang,and Yanrui Wu.2004.The dynamic interrelationships between the greater China share markets [J].China Economic Review,15(1):45-62.

[12]Johansson,Anders C.,and Christer Ljungwall.2009.Spillover effects among the Greater China stock markets[J].World Development,37(4):839-851.

[13]Ke,Qiulin.2008.Are stateowned companies underperforming?A case study of Chinese listed property companies [J].Journal of Real Estate Literature,16(2):181-200.

[14]Kim,Yungsan,and Jhinyoung Shin.2000.Interactions among Chinarelated stocks [J].Asia Pacific Financial Markets,7(1):97-115.

[15]Liow,Kim Hiang.2007.The Dynamics of Return Volatilty and Systematic Risk in International Real Estate Security Markets [J].Journal of Property Research,24(1):1-29.

[16]Liow,Kim Hiang,and Alastair Adair.2009.Do Asian real estate companies add value to investment portfolio?[J].Journal of Property Investment&Finance,27(1):42-64.

[17]Liow,Kim Hiang,and Mong Chuan Sim.2006.The risk and return profile of Asian real estate stocks [J].Pacific Rim Property Research Journal,12(3):283-310.

[18]Liow,Kim Hiang,Kim Hin David Ho,Muhammad Faishal Ibrahim,and Ziwei Chen.2009.Correlation and volatility dynamics in international real estate securities markets[J].The Journal of Real Estate Finance and Economics,39(2):202-223.

[19]Liow,Kim Hiang,and Graeme Newell.2012.Investment Dynamics of Greater China Securitized Real Estate Markets and International Linkages[J].Journal of Real Estate Research,34(3):399-428.

[20]Macquarie Securities,Global Property Securities Analytics[R].Macquarie Securities,2009-06.

[21]Newell,Graeme,and Muhammad Najib Razali.2009.The impact of the global financial crisis on commercial property investments in Asia [J].Pacific Rim Property Research Journal,15:430-452.

[22]Newell,Graeme,Chau Kwong Wing,and Wong Siu Kei.2004.The level of direct property in Hong Kong property company performance [J].Journal of Property Investment&Finance,22(6):512-532.

[23]Newell,Graeme,Kwong Wing Chau,and Siu Kei Wong.2009.The significance of Chinese commercial property in an Asian property portfolio [J].Journal of Property Investment&Finance,27(2):102-119.

[24]Qiao,Zhuo,Thomas C.Chiang,and WingKeung Wong.2008.Longrun equilibrium,shortterm adjustment,and spillover effects across Chinese segmented stock markets and the Hong Kong stock market[J].Journal of International Financial Markets,Institutions and Money,18(5):425-437.

[25]Tao,Sun.and Xiaojing.Zhang.2009.Spillovers of the USsubprime financial turmoil to Mainland China and Hong Kong SAR:evidence from the stock markets[D].IMF working paper 1-42.

[26]World Federation of Exchanges,Focus[R].WFE,2009-07.

[27]Yilmaz,Kamil.2010.Return and volatility spillovers among the East Asian equity markets[J].Journal of Asian Economics,21(3):304-313.

[28]Zhu,Hongquan,Lu Zudi,Shouyang Wang,and S.Soofi Abdol.Causal linkages among Shanghai,Shenzhen,and Hong Kong stock markets[J].International Journal of Theoretical and Applied Finance,7(02):135-149.

Securitized Real Estate Market Integration in Greater China and International Linkages

Liow Kim Hiang^[13]

Abstract:This research examines the integration among three Greater China(GC)securitized real estate markets,including Mainland China,Hong Kong and Taiwan,and five international developed markets,Singapore,Japan,Australia,the united Kingdom and the United States from January 1995 to April 2012.Results indicate that the three GC markets are neither cointegrated among themselves or with any international developed public property markets but all securitized real estate markets share moderate but significant nonlinear relationships.In the shortrun,the extent of conditional volatility interdependence within and across the GCareas is moderate.Over time,the three GC securitized real estate markets have become more integrated by themselves and with other regional/international developed public property markets from the volatility transmission perspective.Additionally,each of the three GC public property markets has influenced and has been influenced by other GC and international markets with similar magnitudes,thereby resulting in relatively low average net directional volatility spillover index estimates obtained.Finally,Hong Kong public property market appears to be the“volatility leader”within and across the GC context.

Key words:Market integration　Cointegration　Volatility spillover index Securitized real estate markets　Greater China

【注释】

[1]廖锦贤,教授,新加坡国立大学环境设计学院房地产系,Email:rstlkh@nus.edu.sg。

[2]从其建成以来,中国股票交易所近年来已在资金量、周转率和上市公司数量方面迅速扩张,因而导致中国成为仅次于日本的亚洲第二大股票市场(Groenewold等,2004)。

[3]在本研究中,“房地产股票市场”和“公共地产市场”交替使用。

[4]从此开始,这些市场的缩写(而不是全称)将贯穿使用在文章中。

[5]由Granger(1981,1986)所介绍的协整的概念,被Engle和Granger(1987)进一步发展,并被Johansen(1988,1991)扩展,其建模步骤中包含了非平稳、长期关系和短期动态。如果一个金融事件序列在一次差分后变成平稳序列,我们称原序列是1阶单整Ⅰ(1)。如果两个序列一阶单整,它们之间可能存在不需要差分的平稳的线性组合。如果这样,我们称这两个序列协整。由于协整和Johansen协整方法的具体描述能在许多标准计量教材中找到,读者可以在必要时参考这些书籍。为了文章简洁,细节将不包含在本文中。

[6]在检测价格指数是否协整之前,我们首先检查每个单变量序列是非平稳的还是I(1)。由于在任一序列中发现单位根说明该序列非平稳,则表示需要模拟任何两个序列(双变量)和系统中所有序列(多变量)的关系,因而检测是必要的。两个标准程序——augmented Dickey Fuller(ADF)测试和PhillipPerron(PP)测试,将用于检查每个序列的非平稳性。单位根检测结果(为了节省空间未予报告)显示在每个房地产股票序列中均存在单位根,但是在它们的对数一阶差分中,在5%的显著性水平上没有单位根。

[7]BDS检验(Brock等,1987)通过测量反映回报率数列的相关程度的统计量的显著性,来检验其独立同分布(iid)的原假设。非iid的其他可能性包括非平稳和线性或非线性相关。这个统计量计算了在分别属于相空间上两个轨迹上的任意两点的ε单位分离程度。统计量ε的增加,表明了相空间里离散维度的增加。我们使用Eviews 7.1来进行BDS检验。

[8]Liow和Newell(2012)使用DiagonalBEKK模型,和此处的DiagonalVECH模型(Engle,1982;Bollerslev,1986)相同。

[9]5个房地产股票分组为:(1)中国两岸三地市场(GC):CH,HK和TW;(2)中国和国际市场(CH/INT):CH,US,UK,AU,JP和SG;(3)中国香港和国际市场(HK/INT):HK,US,UK,AU,SG,JP和SG;(4)中国台湾和国际市场(TW/INT):TW,US,UK,AU,JP和SG;(5)Panda和国际市场(PANDA/INT):Panda(区域性),US,UK,AU,JP和SG。从此处开始,缩写GC、CH/INT、HK/INT、TW/INT和PANDA/INT将取代全称。

[10]根据Diebold和Yilmaz(2012)、乔莱斯基因数分解(Cholsesky factorization)方法能够达到正交;但方差分解要取决于变量的顺序。相反,Pesaran和Sim(1998)的推广VAR框架提出了允许相关冲击和使用误差的历史观察分布而使方差分解不受变量顺序影响来解释冲击。

[11]为了节省空间,具体的时间趋势分析和结果未予报告。

[12]为了节省空间,“总”方向性波动溢出图和相关的结果未予报告。

[13]Liow Kim Hiang,Department of Real Estate,National University of Singpore.Email:rstlkh@nus.edu.sg.