新時代背景下房地產(chǎn)價格風(fēng)險測度及區(qū)域分布研究

鄭瑞涵

摘?要：房地產(chǎn)價格變動的風(fēng)險評估與預(yù)測，對實(shí)現(xiàn)住房剛性需求、貫徹新時代多渠道保障住房制度具有重要意義。采用2013年1月至2022年12月70個大中城市面板數(shù)據(jù)，基于在險價值風(fēng)險度量理論，使用歷史模擬和蒙特卡洛模擬兩種算法測度新建商品住宅銷售環(huán)比價格指數(shù)變動風(fēng)險情況，并從地理空間角度分析城市風(fēng)險特征分布。研究結(jié)果發(fā)現(xiàn)：一線城市房價指數(shù)波動風(fēng)險相近其風(fēng)險值由高到低依次為深圳、廣州、上海、北京，新一線城市相比一線城市房價指數(shù)平均波動風(fēng)險更高且城市間差異較大，在未來平均房價指數(shù)波動風(fēng)險略有上升，而傳統(tǒng)一線城市和其他城市平均風(fēng)險則相對有所下降。東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會城市風(fēng)險測度結(jié)果相對較高，中南地區(qū)多中風(fēng)險城市，低風(fēng)險城市較分散。現(xiàn)有房價仍需以一線城市為標(biāo)桿推進(jìn)新一線城市房價穩(wěn)預(yù)期，因地制宜實(shí)行房地產(chǎn)行業(yè)相關(guān)政策。

關(guān)鍵詞：房地產(chǎn)價格；在險價值；歷史模擬；蒙特卡洛模擬

中圖分類號：F832.49???文獻(xiàn)標(biāo)識碼：A?文章編號：1005-6432（2024）07-0182-05

DOI：10.13939/j.cnki.zgsc.2024.07.046

房地產(chǎn)價格指數(shù)是反映一定時期內(nèi)房屋銷售價格變動及趨勢的相對數(shù)，對于直觀觀察房地產(chǎn)市場情況、穩(wěn)定房地產(chǎn)市場具有重要意義。房地產(chǎn)價格變化關(guān)乎全局，由于房地產(chǎn)行業(yè)與其他行業(yè)緊密相關(guān)，故其過快或過慢的漲跌幅都會引起房地產(chǎn)行業(yè)的泡沫產(chǎn)生。黨的二十大報告中進(jìn)一步強(qiáng)調(diào)了“房住不炒，不將房地產(chǎn)作為短期刺激經(jīng)濟(jì)的手段”的政策基調(diào)。對房地產(chǎn)價格指數(shù)變化的風(fēng)險評估，即是對房地產(chǎn)價格波動風(fēng)險的防范準(zhǔn)備，也是對加快建立多渠道保障住房制度的精神貫徹。

1?房地產(chǎn)市場發(fā)展現(xiàn)狀及文章研究思路

1.1?房地產(chǎn)市場發(fā)展現(xiàn)狀

保民生和保質(zhì)量為我國現(xiàn)有住房制度改革的兩大目標(biāo)。黨的十九大以來，樓市優(yōu)化、住房不炒政策持續(xù)推進(jìn)，房地產(chǎn)投資屬性逐漸向消費(fèi)品屬性靠攏，爆發(fā)性房價上升的現(xiàn)象日益減少。二十大租購并舉政策的推出，長期租房的門檻降低，商品住房受其影響價格也將隨之波動。而伴隨經(jīng)濟(jì)變遷，各大新一線城市逐漸抓住政策紅利，并進(jìn)一步響應(yīng)黨的二十大精神出臺房地產(chǎn)行業(yè)相關(guān)青年友好政策，實(shí)現(xiàn)人才引進(jìn)，給予青年以更大發(fā)展機(jī)遇。房價風(fēng)險波動相關(guān)的政策舉措對于引納青年不可或缺，在為青年發(fā)展及其他房產(chǎn)投資者提供決策依據(jù)的同時，也對新一線城市進(jìn)一步發(fā)展予以房地產(chǎn)相關(guān)行業(yè)的政策保障。相對于傳統(tǒng)一線城市的北上廣深，2022年在70個主要大中城市中進(jìn)入新一線城市的主要有成都、重慶、杭州、西安、武漢、鄭州、南京、天津、長沙、寧波、合肥、青島等。多數(shù)城市房價近年來下跌情況嚴(yán)重，相關(guān)房地產(chǎn)行業(yè)的投資、銷售風(fēng)險也隨之升高。截至2022年12月，70個城市的房價指數(shù)中新一線城市房價指數(shù)主要處于98.38～99.24，其他多數(shù)城市則聚集于99.25～100.10。如何量化并評估城市房價波動風(fēng)險，對新形勢下了解房價波動風(fēng)險程度，從而做好消費(fèi)投資決策與風(fēng)險規(guī)避迫切相關(guān)。

1.2?文章研究思路

現(xiàn)將金融風(fēng)險管理領(lǐng)域具有廣泛應(yīng)用的風(fēng)險度量指標(biāo)在險價值，引入房地產(chǎn)價格指數(shù)風(fēng)險評估。文章基于在險價值理論，使用歷史模擬和蒙特卡洛模擬兩種測算方式，評估了2013年1月至2022年12月70個大中城市新建商品住宅銷售價格指數(shù)波動的風(fēng)險情況，并進(jìn)一步對風(fēng)險等級分類進(jìn)而分析各城市房價風(fēng)險在地理空間分布上的差異。在第二部分給出在險價值理論發(fā)展與房地產(chǎn)市場風(fēng)險度量研究現(xiàn)狀的文獻(xiàn)整理，第三部分提出文章的研究設(shè)計，基于研究思路第四部分實(shí)現(xiàn)了實(shí)證與結(jié)果分析，并在第五部分提供了相關(guān)結(jié)論與建議。

2?理論基礎(chǔ)與文獻(xiàn)回顧

2.1?在險價值理論研究現(xiàn)狀

在險價值（VaR）是指一項給定的資產(chǎn)或負(fù)債在一定時間內(nèi)與一定置信度下，投資者投資獲取的最小期望損失，主要運(yùn)用于投資領(lǐng)域的風(fēng)險度量，是金融風(fēng)險管理者常用的風(fēng)險度量指標(biāo)。最早在正態(tài)分布假設(shè)下計算VaR的方法由J.P.Morgan（1994）提出。隨著在險價值計算優(yōu)化與領(lǐng)域開拓使用的發(fā)展，Cindy?I?Ni（2000）也通過合并十種貨幣利率互換收益率曲線的共同因素，創(chuàng)新開發(fā)出一種利率互換投資組合的風(fēng)險價值計算方式［1］。可盡管在險價值應(yīng)用廣泛，但其忽略了任何超出其自身水平的損失，該種現(xiàn)象亦被稱為“尾部風(fēng)險”。Mhamed?Mesfioui和Jean-Franois?Quessy（2005）給出了計算在險價值上下限的優(yōu)化方式之一，討論了在只有風(fēng)險的均值和方差可用的情況下，通過對與風(fēng)險向量相關(guān)矩陣的所有可能值進(jìn)行優(yōu)化可以得到明確的界限可以［2］。近年來伴隨機(jī)器學(xué)習(xí)方法的成熟，基于在險價值的風(fēng)險測度研究在結(jié)合各類模型的情形下，其準(zhǔn)確性與規(guī)范性也在逐漸提高。Zhijian?He（2022）基于隨機(jī)準(zhǔn)蒙特卡羅的條件下對在險價值敏感性進(jìn)行估計，證明了該模擬下的估計在非常溫和的條件下是強(qiáng)一致的［3］。James?W.Taylor（2022）使用動態(tài)ω比R的模型預(yù)測了在險價值和預(yù)期短缺，并于在險價值和預(yù)期不足的聯(lián)合模型中提出了一個時變乘性因子，證明了聯(lián)合模型中二者擁有不同的動態(tài)［4］。在VaR的預(yù)測上，Kshitij（2022）等人基于GARCH-LSTM的混合集成學(xué)習(xí)方法完成對其的預(yù)測，利用參數(shù)化和濾波歷史模擬方法預(yù)測出一天前95%和99%風(fēng)險值（VaR）估計的波動率［5］。此外，Robert?James等人（2023）擴(kuò)展了在預(yù)測尾部風(fēng)險的方法上，也可以通過對影響風(fēng)險極值分布規(guī)模的一組稀疏協(xié)變量進(jìn)行時變數(shù)據(jù)驅(qū)動的選擇，實(shí)現(xiàn)對二階段GARCH-EVT模型的正則化擴(kuò)展［6］。

2.2?房地產(chǎn)市場風(fēng)險度量研究現(xiàn)狀

現(xiàn)有房地產(chǎn)市場的風(fēng)險度量主要集中于房地產(chǎn)投資及地產(chǎn)資產(chǎn)管理方面，而在險價值的相關(guān)實(shí)證研究除去金融資產(chǎn)風(fēng)險管理領(lǐng)域，其創(chuàng)新成果也在我國房地產(chǎn)市場風(fēng)險的測度上有所引入與使用。黃金枝和鄭榕萍（1999）使用不可分散風(fēng)險度量β的方式完成房地產(chǎn)組合投資決策模型，實(shí)現(xiàn)房地產(chǎn)組合投資系統(tǒng)風(fēng)險最小化的目標(biāo)［7］。余世暐（2017）使用EGARCH-SDSVa?R模型主要研究了房地產(chǎn)個股價格風(fēng)險溢出效應(yīng)，且房地產(chǎn)市場股價波動越劇烈，風(fēng)險溢出效應(yīng)越強(qiáng)烈［8］。

房地產(chǎn)價格作為房地產(chǎn)市場的重要組成部分，其風(fēng)險更為直觀明顯，但現(xiàn)有關(guān)于房地產(chǎn)價格風(fēng)險的研究更偏向于周期波動與變化率規(guī)律探究。沈悅和劉洪玉（2004）對我國住宅市場不符合有效市場假說且經(jīng)濟(jì)基本面對住宅價格解釋模型存在顯著影響進(jìn)行了探討［9］。王琴英（2014）等人使用三角函數(shù)擬合周期波動模型，發(fā)現(xiàn)我國主要一線城市的房價均已進(jìn)入下行波動周期［10］。何愷和程道平（2016）使用綜合直線賦權(quán)評價方法，以濟(jì)南市房地產(chǎn)市場構(gòu)建了相關(guān)風(fēng)險指標(biāo)體系，說明了濟(jì)南出現(xiàn)地產(chǎn)市場價格、庫存風(fēng)險相對較高、總風(fēng)險水平逐年升高的現(xiàn)象［11］。但現(xiàn)有部分學(xué)者在房地產(chǎn)市場價格聯(lián)動上對以往值單獨(dú)討論房價周期的波動不足。王雪等人（2021）在運(yùn)用?DAG?和溢出指數(shù)兩種方法的基礎(chǔ)上，在房價增長趨勢和波動特征兩方面研究了北上廣深核心房地產(chǎn)市場價格聯(lián)動和溢出效應(yīng)［12］。張卓群和張濤（2021）通過ARIMA-R-Vine?Copula模型實(shí)現(xiàn)70個全國大中城市房價關(guān)聯(lián)效應(yīng)與城市間房價波動風(fēng)險傳染的預(yù)防研究。

綜上，現(xiàn)有關(guān)于在險價值理論的發(fā)展、計算方式、跨領(lǐng)域使用目前已較為成熟，但關(guān)于房地產(chǎn)價格風(fēng)險度量的研究主要在兩個方面有所不足：①研究視角上，有關(guān)房地產(chǎn)價格的研究大多偏向于全國、區(qū)域總體房價及單一城市房價研究，有關(guān)房價風(fēng)險空間地理分布特征及價格風(fēng)險評估的研究較少。②研究方法上，房地產(chǎn)價格或價格指數(shù)相關(guān)風(fēng)險評估的研究在風(fēng)險理論的解釋支持上還有所缺失。因此文章擬從70個大中城市的房地產(chǎn)價格研究視角，使用歷史模擬法和蒙特卡洛模擬法完成房價指數(shù)波動的在險價值風(fēng)險度量，以Arc?GIS軟件直觀其風(fēng)險差異的空間分布特征。

3?數(shù)據(jù)來源與模型介紹

3.1?數(shù)據(jù)處理與說明

本次研究選取時間窗口2013年1月至2022年12月，面板數(shù)據(jù)來源于國泰安數(shù)據(jù)庫70個大中城市房價指數(shù)。由于該時間窗口內(nèi)二手住宅價格指數(shù)和住宅價格指數(shù)含有數(shù)據(jù)缺失部分，故研究采用新建商品住宅價格環(huán)比指數(shù)，將其轉(zhuǎn)化為以2013年1月為基期的數(shù)據(jù)，通過收益率以計算95%置信水平下的VaR值。

3.2?模型介紹

VaR測算的方式一般可分為三種，基于正態(tài)分布的方差-協(xié)方差法、歷史模擬法和蒙特卡洛模擬法，文章主要使用后兩種方式。①歷史模擬。作為一種非參數(shù)的計算方法，對未來n個數(shù)據(jù)風(fēng)險因子變化的表示主要基于給定歷史時期觀測到的風(fēng)險因子，對風(fēng)險因子的未來損益分布，通過分位數(shù)計算VaR值。該方法使用真實(shí)市場價格或價格指數(shù)實(shí)現(xiàn)歷史收益率序列抽樣，其數(shù)據(jù)在允許非正態(tài)分布外也對市場隨機(jī)結(jié)構(gòu)與統(tǒng)計分布無假設(shè)要求與限制，無須測度前估計風(fēng)險因子波動性和收益相關(guān)性情況。②蒙特卡洛模擬。其原理是通過反復(fù)模擬風(fēng)險因子變量隨機(jī)過程，從而建立隨機(jī)過程模型，計算過程仍使用全值估計法。蒙特卡洛模擬每次模擬都可得到所測價格或價格指數(shù)在時間窗口期末的一個可能價值，并獲取相關(guān)風(fēng)險因子的一個未來變化情景。在進(jìn)行大量模擬后，數(shù)據(jù)的模擬分布將收斂并推導(dǎo)出原數(shù)據(jù)的真實(shí)分布，同樣可通過分位數(shù)計算VaR值。

4?實(shí)證分析

4.1?VaR測算

一線及新一線城市均值收益率在2013年2月至2022年12月時間窗口中，數(shù)據(jù)偏度為8.473>0，序列呈明顯左偏分布，峰度K=85.708>3，收益率圍繞0.0007的均值上下波動，表明一線與新一線城市目前在房價收益漲幅上都較小且無明顯差異。二三線其他城市均值收益率小于0，表明截至2022年年末大部分城市房價仍處于房價下跌狀態(tài)，偏度為0.156>0，序列呈左偏分布，峰度K=3.633>3。總的來說，三類收益率序列都存在“尖峰厚尾”特征。但由于P值小于0表明正態(tài)性檢驗(yàn)未通過，即數(shù)據(jù)仍是非正態(tài)分布，符合歷史模擬法和蒙特卡洛模擬法計算條件。

圖1?70個大中城市VaR值

圖1給出了70個大中城市基于收益率計算的平均一個月的VaR值。其中一線城市房價指數(shù)波動風(fēng)險相近但也存在相對獨(dú)立性。在95%的置信水平下，歷史模擬下估計的70個大中城市在險價值中海口市具有最高VaR值為0.0118，鄭州市具有最低VaR值為0.0018。傳統(tǒng)一線城市中北京市作為其中最低VaR值的城市，其房價指數(shù)損失不超過0.0071，最高VaR值的城市為深圳市，房地產(chǎn)價格指數(shù)波動的期望損失不超過0.0099。盡管深圳市房價指數(shù)風(fēng)險性高于北京市，但傳統(tǒng)的四個一線城市房價指數(shù)波動的期望損失都較為接近，尤其于蒙特卡洛模擬估計下，北京與上海的風(fēng)險差異不超過6.6個百分點(diǎn)，廣州和深圳的風(fēng)險差異不超過6.4個百分點(diǎn)。一線城市間風(fēng)險差異較小現(xiàn)象的出現(xiàn)主要源于一線城市的房價波動聯(lián)合效應(yīng)，單個城市房價波動相對獨(dú)立，但也會形成相互沖擊（王雪、韓永輝等，2021）。

新一線城市之間房價指數(shù)波動風(fēng)險具有較大差異。將新一線城市歷史模擬VaR值分為風(fēng)險相對較低（VaR值0.004以下）、一般風(fēng)險（VaR值0.004～0.006）、風(fēng)險相對較高（VaR值0.006以上）三級，處于高風(fēng)險的城市由高到低依次為成都、杭州、合肥、青島，第二等級的城市為重慶、西安、武漢、南京、天津，相對來說風(fēng)險較低的城市為寧波、長沙和鄭州。其中擁有最高期望損失的城市為成都市，相比于最低的鄭州市，高出466.7個百分點(diǎn)。新建商品房價格波動風(fēng)險最高的成都市事實(shí)上并非來自商品房價格波動本身，而是源于近年來成都市興起拋售二手房熱潮，加之限購政策，其整體房價的跌幅并不明朗。鄭州市的房價近年來趨于下跌，但其本身作為第一個取消“認(rèn)房又認(rèn)貸”的城市，鄭州市的限購政策也降低了青年面對高房價的“擠出效應(yīng)”并有效抑制投資投機(jī)性購房行為，降低了房價大幅波動風(fēng)險。

圖2進(jìn)一步直觀體現(xiàn)了不同風(fēng)險下70個大中城市房價指數(shù)風(fēng)險在空間地理上的分布。以相等間隔將70個城市的風(fēng)險值劃分為低、中、高三類，歷史模擬下東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會城市房價風(fēng)險測度結(jié)果相對較高，中風(fēng)險城市多集中于我國中南地區(qū)，低風(fēng)險區(qū)較為分散且城市數(shù)較小，包括鄭州、西安、寧波、長沙、天津等市。蒙特卡洛模擬來源于收益率均值對歷史每月的數(shù)據(jù)隨機(jī)生成估計，在未來平均風(fēng)險估計上更具適用性。其在歷史VaR計算結(jié)果上大部分城市相對整體風(fēng)險水平更高，70個大中城市房價指數(shù)收益率波動多集中于中高風(fēng)險區(qū)間。

圖2?70個大中城市VaR值測算相對空間分布格局

4.2?風(fēng)險預(yù)測使用蒙特卡洛模擬法對70個大中城市房價指數(shù)預(yù)測2023年VaR風(fēng)險值并降序顯示如圖3所示。其中風(fēng)險最高城市為無錫市，VaR預(yù)測值達(dá)到0.0146，即2023年無錫市新建商品房房價指數(shù)波動的最大期望損失不超過0.0146；最低的城市為大連市，其房價指數(shù)波動最大期望損失不超過0.0049。在傳統(tǒng)一線城市中，深圳市風(fēng)險值最高，預(yù)期最大收益損失為0.0135，廣州市最小，VaR測算為0.0089。新一線城市中，風(fēng)險預(yù)測結(jié)果最高的城市為杭州市，其VaR值為0.0133，而最低的新一線城市為重慶市，預(yù)期損失不超過0.0074。綜合各類城市房價收益率均值，預(yù)測一線城市在2023年的平均風(fēng)險為0.0057，新一線城市為0.0061，其他二三線城市平均波動風(fēng)險較低為0.0027。總的來說，新一線城市平均房價波動風(fēng)險略有上升，傳統(tǒng)一線城市和其他二三線城市平均風(fēng)險則相對有所下降，且2023年房價指數(shù)測算的風(fēng)險值按相等間隔可劃分為四個區(qū)域：低風(fēng)險區(qū)（0.0049～0.0073）、一般風(fēng)險區(qū)（0.0073～0.0098）、較高風(fēng)險區(qū)（0.0098～0.0122）、高風(fēng)險區(qū)（0.0122～0.0146）。通過其分布發(fā)現(xiàn)，未來風(fēng)險測算的低風(fēng)險區(qū)多集中于東北地區(qū)，而70個大中城市房價指數(shù)波動的風(fēng)險主要聚集在一般風(fēng)險區(qū)，且城市大多居于中南、西南地區(qū)。處于較高風(fēng)險區(qū)的除北京、青島、鄭州外以二三線城市為主，其地理分布較為分散。風(fēng)險預(yù)測在高風(fēng)險區(qū)的有無錫、杭州、福州、深圳、三亞市，多為東部沿海城市且風(fēng)險值高于0.0122，房價指數(shù)波動預(yù)期損失較大。

圖3?70個大中城市VaR預(yù)測值

5?結(jié)論與啟示

5.1?結(jié)論

文章運(yùn)用歷史模擬和蒙特卡洛模擬法評估了2013年1月至2022年12月期間70個大中城市新建商品住宅價格指數(shù)波動的在險價值并預(yù)測分析了其城市風(fēng)險值的主要分布特征。主要結(jié)論如下：①一線城市房價指數(shù)波動風(fēng)險相近但也存在相對獨(dú)立性，風(fēng)險測算值由高到低依次為深圳、廣州、上海、北京。②新一線城市之間房價指數(shù)存在較大差異，且在平均收益率測算上相比一線城市房價指數(shù)波動擁有更高風(fēng)險。③在地理空間分布上，東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會城市房價風(fēng)險測度結(jié)果相對較高，中風(fēng)險城市多集中于我國中南地區(qū)，低風(fēng)險區(qū)城市較為分散且數(shù)目較少。④預(yù)測結(jié)果顯示，2023年新一線城市平均房價指數(shù)波動風(fēng)險略有上升，而傳統(tǒng)一線城市和其他城市平均風(fēng)險則相對有所下降，未來預(yù)期損失較大的城市多為沿海地區(qū)，波動風(fēng)險預(yù)測較低的地區(qū)聚集在東北地區(qū)，一般風(fēng)險區(qū)以西南、中南部城市為主。

5.2?啟示

（1）保持一線城市房價變化的風(fēng)向標(biāo)桿，推進(jìn)新一線城市房價穩(wěn)預(yù)期。傳統(tǒng)的一線城市北上廣深房價波動風(fēng)險大多較為平穩(wěn)，作為我國房價波動變化趨勢的第一梯隊，對其的相關(guān)調(diào)控仍應(yīng)加強(qiáng)，嚴(yán)抓一線城市地產(chǎn)行業(yè)過度投機(jī)與擾亂地產(chǎn)行業(yè)秩序的行為。新一線城市因地區(qū)差異城市間房價風(fēng)險差異大，其在確保宏觀調(diào)控房價風(fēng)向的同時，新一線城市相關(guān)青年友好地產(chǎn)政策也需在結(jié)合市場動向的同時調(diào)控好當(dāng)下新一線房價基本變動方向，保障青年及城市內(nèi)居民住房的剛性需求得以滿足。

（2）不同地區(qū)施行因地制宜的地產(chǎn)行業(yè)相關(guān)政策，因勢利導(dǎo)開展宏觀調(diào)控。東北地區(qū)大部分城市房價波動預(yù)期都較低，而且其地區(qū)內(nèi)房價面臨著難以上漲的局面，受其經(jīng)濟(jì)發(fā)展緩慢與人才大幅流出影響，需結(jié)合東北振興戰(zhàn)略，提升房地產(chǎn)相關(guān)的地方人才引進(jìn)的政策紅利。沿海發(fā)達(dá)地區(qū)房價首先要做到穩(wěn)地價、穩(wěn)房價，防范單一地產(chǎn)集團(tuán)在同一地區(qū)土地儲備過多，引起區(qū)域房價聯(lián)動風(fēng)險。西南、中南地區(qū)二三線城市相比于經(jīng)濟(jì)更為發(fā)達(dá)的沿海城市，其房價波動風(fēng)險相對降低，該地區(qū)在歷史和預(yù)期上的風(fēng)險性變動較小，更應(yīng)把握住房住不炒、多需求供給帶來的政策福利，吸引并儲備一線、新一線城市外溢人才。

（3）完善房價風(fēng)險監(jiān)測評估體系，關(guān)注地區(qū)房價風(fēng)險關(guān)聯(lián)效應(yīng)。有關(guān)房價風(fēng)險的測度不止有在險價值，評估指標(biāo)除房價指數(shù)外也有較多其他相關(guān)影響因素，且隨著后續(xù)國家租購并舉住房制度的開展，二手商品房的房價變動影響也將進(jìn)一步擴(kuò)大，故對房價風(fēng)險的指標(biāo)體系還需要擴(kuò)展并及時加以完善，建立相應(yīng)的數(shù)據(jù)庫予以實(shí)時監(jiān)測。此外地區(qū)間的房價大多具有聯(lián)合效應(yīng)，房價風(fēng)險的傳染與擴(kuò)大也需早做預(yù)防。

參考文獻(xiàn)：

［1］NIFFIKEER?C?I，HEWINS?R?D，F(xiàn)LAVELL?R.A?synthetic?factor?approach?to?the?estimation?of?value-at-risk?of?a?portfolio?of?interest?rate?swaps［J］.Journal?of?banking?&?finance，2000，99：119-121.

［2］MESFIOUI?M，QUESSY?J.Bounds?on?the?value-at-risk?for?the?sum?of?possibly?dependent?risks［J］.Insurance：mathematics?and?economics，2005，37（1）：135-151.

［3］HE?Z?J.Sensitivity?estimation?of?conditional?value?at?risk?using?randomized?quasi-Monte?Carlo［J］.European?journal?of?operational?research，2022，298（1）：229-242.

［4］TAYLOR?J?W.Forecasting?value?at?risk?and?expected?shortfall?using?a?model?with?a?dynamic?omega?ratio［J］.Journal?of?banking?&?finance，2022，140：106519.

［5］KAKADE?K，JAIN?I，MISHRA?A?K.Value-at-Risk?forecasting：a?hybrid?ensemble?learning?GARCH-LSTM?based?approach［J］.Resources?Policy，2022，78：102903.

［6］JAMES?R，LEUNG?H，LEUNG?J，et?al.Forecasting?tail?risk?measures?for?financial?time?series：An?extreme?value?approach?with?covariates［J］.Journal?of?empirical?finance，2023，71：29-50.

［7］黃金枝，鄭榕萍.以不可分散風(fēng)險β為測度的房地產(chǎn)組合投資優(yōu)化決策模型［J］.基建優(yōu)化，1999（1）：2-4，11.

［8］余世暐.中國房地產(chǎn)股票價格風(fēng)險溢出效應(yīng)研究——基于SDSVaR模型的微觀測度和解釋［J］.價格理論與實(shí)踐，2017（8）：96-99.

［9］沈悅，劉洪玉.住宅價格與經(jīng)濟(jì)基本面：1995—2002年中國14城市的實(shí)證研究［J］.經(jīng)濟(jì)研究，2004（6）：78-86.

［10］王琴英，古麗慧，郭慧君.我國一線城市房價周期波動分析與預(yù)測［J］.價格理論與實(shí)踐，2014（5）：55-57.

［11］何愷，程道平.我國城市房地產(chǎn)市場風(fēng)險測度研究——基于綜合賦權(quán)評價方法對濟(jì)南市的測算［J］.價格理論與實(shí)踐，2016（10）：148-151.

［12］王雪，韓永輝，趙賢，等.核心城市房地產(chǎn)市場的聯(lián)動和溢出特征研究——基于中國“北上廣深”樣本的經(jīng)驗(yàn)考察［J］.運(yùn)籌與管理，2021，30（7）：232-239.