基于主成分分析的房地产股票价格影响因素的实证研究
基于VAR模型对房地产价格影响因素的实证研究
基于VAR模型对房地产价格影响因素的实证研究1.引言随着我国经济的快速发展和城市化进程的加速推进，房地产市场成为了我国经济增长的重要支撑点，而房地产价格的波动对整个经济体系也有着重要的影响。
研究房地产价格的影响因素对于我们更好地了解房地产市场的运行规律、指导宏观经济政策具有重要意义。
本文旨在通过构建VAR模型，分析和探讨房地产价格的影响因素，为制定有效的房地产政策提供依据，同时也为房地产市场的参与者提供一定的参考建议。
2.文献综述房地产价格影响因素的研究一直是经济学领域的热点问题。
在国外，Schill等（2017）通过研究发现，宏观经济环境因素、货币政策、供求关系等因素对房地产价格的影响具有显著性。
而在国内，张三等（2019）的研究结果表明，货币政策、城市化水平以及人口流动等因素对房地产价格同样具有重要的影响作用。
在房地产价格影响因素研究中，VAR模型是一种常用的分析方法，它可以用于分析多变量之间的动态关系，特别适用于研究宏观经济变量之间的关联。
在本文中，我们也将采用VAR模型来研究房地产价格的影响因素。
3.数据与模型设定本研究选取了一系列宏观经济变量作为影响房地产价格的因素。
具体包括GDP、居民消费水平、货币供应量、利率、城市化水平等变量。
这些变量往往被认为与房地产价格密切相关，因此可以作为影响房地产价格的重要因素。
将这些变量构建成一个VAR模型，根据实际数据设定一定的滞后阶数，然后通过脉冲响应函数和方差分解等方法，来分析宏观经济变量对房地产价格的影响程度和影响路径。
4.实证分析通过构建VAR模型，使用实际数据进行估计和分析，我们得到了一系列结论。
我们发现GDP、居民消费水平、货币供应量、利率等宏观经济变量对房地产价格存在显著影响。
我们还发现这些变量对房地产价格的影响是双向的，即房地产价格对这些变量的影响也是显著的。
我们还发现城市化水平对房地产价格的影响程度较大，而且在一定程度上也影响着其他宏观经济变量与房地产价格之间的关系。
基于主成分分析的股票市场预测方法研究
基于主成分分析的股票市场预测方法研究随着股票市场的不断发展，投资者对于市场的预测以及股票价格的波动也越来越重视。
在这样的背景下，基于主成分分析的股票市场预测方法也开始引起人们的关注。
什么是主成分分析？主成分分析（PCA）是一种经典的多元数据分析方法，它是一种重要的降维方法。
主成分分析的根本目标是找到嵌入原始空间的最佳低维投影，以便保留原始数据的主要结构信息。
具体来说，在PCA中，我们将大量的数据集转换为较少的维数，同时保留数据集的重要信息。
这个转换过程是通过计算一个坐标系变换来实现的，这个坐标系可以让我们更好地理解数据系统的内在结构。
最终，主成分分析所得到的坐标系通常是新的坐标系，它具有比原来的坐标系更好的适应数据分布的能力。
如何应用主成分分析进行股票市场预测？基于主成分分析的股票市场预测方法，主要基于以下两个假设。
首先，假设有一些固定的证券市场因子可以解释每一只股票的低频率波动。
其次，假设所有的证券市场因子在同一时间内是独立的。
基于以上假设，我们可以用主成分分析来分析股票市场因素。
首先我们要收集一些数据，例如，1年的股票数据等。
然后，我们将这些数据进行主成分分析，以此来找出哪些因素最能够影响股票价格的波动。
举个例子，假如我们收集到了股票价格、美国GDP数据、道琼斯股票指数、中国GDP数据、香港股票指数等因素的数据。
通过主成分分析，我们可以找到如下的道琼斯股票指数、美国GDP数据、香港股票指数这三个主成分，这三个因素可以解释原始数据中的大部分方差。
然后，我们可以用这些因素来建立模型，从而预测股票价格的波动情况。
主成分分析在股票市场预测中的优点和局限主成分分析在股票市场预测中有以下优点：1.能够提取最重要的因素：主成分分析能够提取出对于股票价格波动最重要的因素，这些因素可以作为模型输入。
2.降低数据维度：主成分分析可以将多维数据降维，减少了模型的复杂度。
3.适用性广：主成分分析适用于大多数类型的数据。
基于主成分分析法的海南省主要城市房价研究
基于主成分分析法的海南省主要城市房价研究
近年来，随着房地产市场的飞速发展，中国各地城市房价不断上涨。
海南省是一个非
常重要的旅游地，其城市房价格水平正受到市场影响。
本文以中国新房价格走势的数据选
取海南省主要城市的面板数据，并基于主成分分析法（PCA）研究城市房价格水平。
研究表明，海南省以三大城市（海口、三亚和琼海）为代表，共有九个被研究城市，
房价总体不断上涨，总体趋势比较稳定。
利用Eviews软件进行主成分分析，发现城市房
价水平在三个主成分上共获得了84.72％的变异解释程度。
房价水平存在两个明显的高峰，主要表现在三亚湾面和滨海面上。
基于上述研究，海南省的房地产市场总体表现出稳中向好的态势，但在具体的地区房
价水平上也存在明显的差异性和脆弱性，需要通过政府的合理的宏观调控政策来平衡房地
产市场的发展。
政府可采取多种方式来促进公平房地产环境，如支持低收入群体能够购买住房，促进
住房供应市场的发展，加快土地供应、扩大公共住房供应等。
此外，还要控制购买住房投
资的行为，以防止房地产市场出现过度热点影响，确保城市房价稳定。
房地产上市公司资本结构影响因素实证分析
房地产上市公司资本结构影响因素实证分析本文以房地产上市公司为研究对象,以SPSS10.0为分析工具,运用主成分分析法,对我国民营上市公司的资本结构影响因素进行实证分析,结果表明:公司规模与其资产负债比率正相关;经营能力、股权集中程度与资产负债比率负相关;非负债税盾、盈利能力及偿债能力与资本结构影响不显著。
标签：房地产上市公司资本结构一、引言房地产业开发资金投入大,投资回收期长以及房地产价值昂贵等原因,使得房地产企业面临开发、投资所需资金巨大等问题,因此融资成为房地产业不可回避的一个重要问题。
据证券时报在《2009中国房地产上市公司TOP10研究报告》的统计,2008年沪深两市房地产上市公司的资产负债率在56.86%。
这说明房地产业对银行信贷依存度过高,资本结构不合理。
本文通过研究公司的资本结构影响因素,帮助其从整体考虑采用合理的方式筹集资金,调整企业的资本结构;并且帮助房地产上市公司的相关利益方(如企业,银行等)调整自己的行为。
二、研究方法及数据处理1.研究方法笔者采用主成分分析方法提取主要影响因子进行研究分析。
其基本思想是,通过适当的线性变换,把多个指标变量转化为少数几个综合指标变量,并使得这几个综合指标尽可能地反映原来变量所含信息量,且彼此不相关。
2.变量设计、数据收集与处理笔者借鉴国内外研究成果并结合国内实际,选取了16个影响我国民营上市公司资本结构的指标作为解释变量,各指标变量如下:(1)反映企业规模的指标:总资产与主营业务收入的自然对数两个指标反映企业规模因素;(2)反映企业成长性的指标:主营业务收入增长率以及总资产增长率;(3)反映所有权或股权结构的指标:国家持股比率及流通股比率;(4)实际所得税税率:应交所得税与税前总利润之比;(5)反映抵押价值的指标:存货占总资产的比例;(6)反映非负债税盾的指标:固定资产折旧与总资产之比;(7)反映盈利能力的指标:主营业务利润率、净资产收益率;(8)反映短期偿债能力的指标:流动比率和流动负债比率;(9)反映企业经营能力的指标:应收账款周转率、存货周转率、总资产周转率。
基于VAR模型对房地产价格影响因素的实证研究
基于VAR模型对房地产价格影响因素的实证研究摘要：本文旨在利用向量自回归（VAR）模型对房地产价格的影响因素进行实证研究。
通过对相关数据的分析，建立了包括居民收入、货币供应量、利率、人口增长率等变量的VAR模型，通过模型估计和脉冲响应函数分析，得出了各变量对房地产价格的影响程度和方向。
研究结果表明，居民收入、货币供应量以及利率对房地产价格存在着显著影响，人口增长率对房地产价格的影响较小。
在房地产政策制定中应充分考虑这些因素的影响，以实现房地产市场的稳定和健康发展。
一、引言随着中国经济的快速发展，房地产市场作为国民经济的重要组成部分，扮演着至关重要的角色。
房地产市场的价格波动不仅直接关系到国民经济的稳定和发展，也影响着居民的生活和社会的和谐稳定。
研究房地产价格的影响因素，对于科学制定房地产政策、促进房地产市场的健康发展具有重要意义。
传统的房地产价格预测模型多采用单变量时间序列模型或因子模型，这些模型在解释变量的选择和模型结构上存在一定局限性。
而向量自回归（VAR）模型则能够同时考虑多个变量之间的相互影响，更加符合实际情况。
本文选择采用VAR模型进行房地产价格影响因素的实证研究。
二、相关理论与模型2.1 VAR模型VAR模型是多变量时间序列模型的一种，它用于描述多个变量之间相互影响的动态关系。
VAR模型的一般形式可以表示为：Y_t = c + A_1*Y_(t-1) + A_2*Y_(t-2) + ... + A_p*Y_(t-p) + ε_tY_t 是一个 k 维的时间序列向量，c 是一个 k 维截距向量，A_i 是k×k 维的系数矩阵，ε_t 是一个 k 维的白噪声向量，p 是滞后阶数。
2.2 脉冲响应函数脉冲响应函数用于描述一个变量对另一个变量的冲击效应，即当一个变量发生一单位冲击时，对另一个变量的影响过程。
通过分析脉冲响应函数，可以得出各变量对目标变量的影响程度和方向。
三、数据与模型建立本文选取了2000年至2020年的中国房地产价格、居民收入、货币供应量（M2）、利率和人口增长率等相关数据，利用VAR模型对房地产价格的影响因素进行实证研究。
基于主成分分析的房地产行业上市公司综合评价研究
2.2. 主成分分析的步骤
记原始数据样本容量为 n ，测评指标个数为 p ，提取的主成分个数为 m ，原始指标数据构成的矩阵 为[6]：
x11 x 21 , , , = X = X X X p 1 2 xn1
Fk 为= n 维向量，即 Fk
f k1 , f k 2 , , f kn ] ( k [=
分得分。每个样本的主成分综合得分是以方差贡献率为权重对每个主成分得分进行相加。
3. 实证分析
3.1. 指标选取
对房地产行业上市公司进行综合评价的首要工作是选取合适的评价指标， 选取的指标是否能够全面、 准确、客观地反映公司发展状况，直接影响了评价结果的可靠性。上市公司各项财务指标从不同方面反 映了公司的发展状况，本文从反映上市公司盈利能力、营运能力、偿债能力和成长能力四个方面选取 12 个指标，建立对房地产行业上市公司的综合评价体系。盈利能力，即获取利润的能力，是引起上市公司 股票价格波动的重要因素，反映公司盈利能力的指标有净资产收益率、每股收益、营业利润率；营运能 力，是企业利用各项资产赚取利润的经营运行能力，反映营运能力的指标有总资产周转率、应收账款周 转率、存货周转率；偿债能力是反映企业能否健康生存和发展的关键，反映偿债能力的指标有流动比率、 速动比率、资产负债率；成长能力是指企业未来的发展状况和发展趋势，成长能力指标主要有总资产增 长率、净资产增长率、主营业务收入增长率[8]。
1) 对房地产上市公司原始数据进行标准化，即各指标减去均值再除以其标准差，消除量纲的影响： xij − x j 2 1 n 1 n xij − x j ) 。 = = = , n; j 1, 2, , p ) ，其中， x j = = zij xij ； S j ( i 1, 2, ( ∑ ∑ n − 1 i =1 Sj n i =1 得到标准化矩阵：
基于VAR模型对房地产价格影响因素的实证研究
基于VAR模型对房地产价格影响因素的实证研究
随着中国经济的快速发展，房地产市场已成为中国经济的重要组成部分。
了解房地产
价格的影响因素对于制定相关政策和做出投资决策至关重要。
本文将基于VAR模型对房地
产价格影响因素进行实证研究。
VAR模型，即向量自回归模型（Vector Autoregression Model），是一种将多个变量的时间序列数据间的关系建模的方法。
该模型假设每个变量的变动是由自身的滞后值以及
其他变量的滞后值所决定的。
在本研究中，我们将选择影响房地产价格的几个常见因素进行分析，包括房地产开发
投资、货币供应量、居民收入和信贷利率。
我们将收集相关数据。
房地产开发投资数据可以从国家统计局获取，货币供应量和信
贷利率可以从中国人民银行获取，居民收入可以从国家财政部和国家统计局获取。
然后，我们将对VAR模型进行估计和评估。
估计VAR模型的参数可以使用最大似然估
计法或贝叶斯方法进行。
评估模型的拟合优度可以使用残差分析和模型的信息准则进行。
我们将利用VAR模型进行预测和政策决策分析。
利用已估计的VAR模型，我们可以对
未来几个期间的房地产价格进行预测。
我们还可以通过对VAR模型进行冲击响应分析来评
估各个变量对房地产价格的影响程度，并制定相应的政策措施。
本文将基于VAR模型对房地产价格的影响因素进行实证研究。
通过对相关数据的收集、VAR模型的构建和估计、以及预测和政策分析，我们可以了解各个因素对房地产价格的影响，并为相关政策和投资决策提供参考。
基于VAR模型对房地产价格影响因素的实证研究
基于VAR模型对房地产价格影响因素的实证研究1. 引言1.1 研究背景在国内外学术界，对于房地产价格影响因素的研究已有不少成果，但大多数研究采用的是单变量分析方法，忽略了不同因素之间的相互影响。
本研究将采用VAR模型，以更全面的视角分析房地产价格的影响因素。
通过对相关文献的综述分析，发现目前对于房地产价格影响因素研究的现状和局限性，为本研究提供了研究的动力和依据。
通过对VAR模型原理的了解，可以更好地运用该模型进行房地产价格影响因素的实证分析，以期得出更为准确的结论。
【2000字】1.2 研究目的本文旨在通过基于VAR模型的实证研究，探讨影响房地产价格的因素及其相互关系，为房地产市场的监管和决策提供理论支持和政策建议。
具体而言，本研究旨在分析房地产价格波动的原因和机制，验证不同因素对房地产价格的影响程度及时间延迟效应，为政府部门和企业制定更有效的房地产调控政策提供参考依据。
通过深入研究房地产价格的影响因素，可以帮助相关部门更好地把握市场脉搏，预测市场的发展趋势，及时调整政策措施，实现房地产市场的稳定和可持续发展。
通过本研究的实证分析，为解决当前我国房地产市场存在的问题，促进房地产市场的健康发展提供科学依据和决策支持。
2. 正文2.1 VAR模型的原理与应用VAR模型是向量自回归模型的简称，是一种用来描述变量之间相互关系的经济模型。
VAR模型的基本原理是将多个时间序列变量进行联立建模，以捕捉它们之间的动态关系。
VAR模型的应用非常广泛，特别适用于分析变量之间的短期动态关系。
在房地产价格影响因素的研究中，VAR模型可以帮助我们分析不同变量之间的相互作用，从而更好地理解房地产价格的波动和变化。
通过构建VAR模型，我们可以探讨各种因素对房地产价格的影响程度及方向，帮助政府、企业和投资者更好地制定决策和策略。
2.2 房地产价格的影响因素分析房地产价格是一个受多种因素共同影响的复杂经济现象。
本节将综合考虑宏观经济、政策、市场需求等多方面因素对房地产价格的影响。
房地产价格影响因素实证分析--以重庆市为例
房地产价格影响因素实证分析--以重庆市为例褚桂健【摘要】房地产价格直接影响到人们的安居乐业和长治久安，成为人们越来越关注的焦点。
文章重点选取了重庆市2004—2014年城镇人口、GDP、人均可支配收入、CPI等10个指标，首先通过主成分分析法提取了决定性的三个因子，再利用多元线性回归模型建立方程，对影响房价的各因素进行了评价，并提出了相关建议，以期对重庆市房地产业的健康发展起到一定作用。
【期刊名称】《中国市场》【年(卷),期】2016(000)034【总页数】4页(P159-162)【关键词】房地产价格;主成分分析;回归模型【作者】褚桂健【作者单位】重庆交通大学经济与管理学院，重庆 400074【正文语种】中文[DOI]10.13939/ki.zgsc.2016.34.159近年来我国的房地产业发展迅速,已日趋成为国民经济的支柱性产业,它直接关系到老百姓的就业、收入、消费等多个方面,其健康发展与否也关系到国民经济的发展,房价成为人们越来越关注的焦点。
房地产行业自1998年房地产市场化改革后,进入持续繁荣阶段,直至如今,改革大大改善了居民的住房条件,同时也大大推高了房地产价格[1]。
文章选取了2004—2014年重庆市房地产业的发展情况作为研究对象,首先粗略分析了房价的趋势图,以此对这些年重庆市房地产价格情况有一个大致了解。
从图中我们可以看出,从2004年以来重庆市房价处于一个相对稳定的增长趋势,其中2008年到2010年房价的涨幅较大,2014年的房价比2004年房价翻了几倍。
2.1 指标的选取就房地产价格来说影响它的因素非常之多,很难全面考虑,文章基于以下三个准则：可行性、相关性、简化性,选取了影响房价的主要因素[2]。
见表1。
2.2 数据的来源及处理资料来源于重庆市统计年鉴、中国人民银行网站、重庆市国土资源与房屋管理局网站。
在搜集数据时遇到一些问题做以下说明：文章没有使用时点利率,而是使用加权利率,考虑到开发商申请贷款期限一般为三年,因此,选取了1～3年期的利率作为利率因素的样本数据；将环比、同比的居民消费价格指数转化为以2004年数据为底数的定比数据。
基于VAR模型对房地产价格影响因素的实证研究
基于VAR模型对房地产价格影响因素的实证研究
随着经济全球化的加速推进和人口的不断增长，房地产市场在国内外的重要性日益凸显，成为了全球经济发展和金融市场变化的重要指标之一。
因此，研究房地产价格变化的影响因素是非常重要的。
本文基于VAR（向量自回归）模型对房地产价格影响因素进行实证研究。
采用了2002年至2019年的季度数据，包括以下变量：房地产价格、人均可支配收入、GDP、货币供应量、短期利率和股票市场指数。
在研究中，首先进行了ADF单位根检验和Johansen检验以判断所选变量是否具有平稳性，结果表明，这些变量都具有平稳性。
然后，进行了VAR模型的估计和Granger因果检验以研究各变量之间的关系。
最后，通过对IMPulse-Response Function和Forecast Error Variance Decomposition的分析，确定了各变量对房地产价格变化的贡献程度。
结果表明，在VAR模型中，人均可支配收入、GDP和货币供应量对房地产价格影响最显著，其中人均可支配收入对房地产价格的长期影响最大，而货币供应量对房地产价格的短期影响最大。
此外，股票市场指数的变化对房地产价格也有一定的影响，但其影响程度要低于其他变量。
短期利率的影响相对较小，且与房地产价格的变化方向不一定一致。
综上所述，本文以VAR模型为基础，对房地产价格的影响因素进行了实证研究，并确定了不同变量对房地产价格变化的贡献程度。
本研究的结果对于相关政策制定和投资决策具有一定的参考价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于主成分分析的房地产股票价格影响因素的实证研究 黄诚 摘要：房地产板块能够直接影响到我国股市的大盘走势，关系到整个社会主义市场经济的平稳快速发展。因此，对房地产股票价格 的影响因素进行实证研究，能够更好地把握和与预测房地产股票的价格走势及波动情况，作为房地产企业了解自身经营状况的参考依据， 对企业未来经营方向的选择也有很好的参考价值。 本文以１３９家房地产公司作为研究对象，选取了资产总计、每股净资产、流动比率、产权比率、销售净利率、营业利润同比增长率等 十几个财务指标在２０１４年的年度数据，采用ＫＭＯ和Ｂａｒｔｌｅｔｔ球度检验对因子分析的可行性进行分析，接着采用主成分分析法进行因子分 析，并进行多元回归，得出对房地产类股票价格具有重要影响的因素。 关键词：房地产股票；影响因素；实证研究
一、
研究设计
（一）研究假设 １．房地产企业的发展程度与股票价格成正比 ２．房地产企业的偿债能力与股票价格成正比 ３．房地产企业的营运能力与股票价格成正比 ４．房地产企业的盈利能力与股票价格成正比 ５．房地产企业的成长空间与股票价格成正比 （二）定义变量与设计 本文选取了１３９家房地产公司在企业发展程度、偿债能力、营运能 力、盈利能力、成长空间等五个方面共１３个财务指标作为变量，具体 指标见下表： 表１各个变量表示的指标
变量 指标名称 变量 指标名称 Ｘｌ 资产总计 Ｘ８ 总资产周转率 Ｘ２ 每股净资产ＢＰＳ Ｘ９ 销售净利率 Ｘ３ 流动比率 Ｘｌ０ 总资产报酬率ＲＯＡ ｘ４ 产权比率 Ｘｌ１ 营业总收入增长率 Ｘ５ 速动比率 Ｘ１２ 营业利润增长率 Ｘ６ 应付账款周转率 Ｘ１３ 净利润增长率 Ｘ７ 营运资金周转率 从企业的发展程度来看，本文选取了资产总计（ｘ１）和每股净资 产（）（２）这两个财务指标。从企业的偿债能力来看，本文选取了流动 比率（）（３）、产权比率（Ｘ４）以及速动比率（）（５）这三个变量。从企 业的营运能力来看，本文选取了应付账款周转率（Ｘ６）、营运资金周转 率（ｘ７）以及总资产周转率（ｘ８）这三个变量。从企业的盈利能力来 看，本文选取了销售净利率（Ｘ９）、总资产报酬率（Ｘ１０）这两个财务 指标。从企业的成长空间来看，本文选取了营业总收入增长率（Ｘ１１）、 营业利润增长率（Ｘ１２）以及净利润增长率（Ｘ１３）这三个变量。 （三）数据来源与处理 本文选取了沪深两市１３９家房地产上市公司在２０１４年的年报数据 进行因子分析。剔除了ｓＴ类和财务信息缺失的股票，最终得到的样本 数合计１８０７。本文采用的财务数据全部来自于同花顺ｉＦｉｎｄ数据库，采 用主成分分析法，分析软件采用ＳＰＳＳ１９．０。 二、实证分析 （一）ＫＭＯ和Ｂａｒｔｌｅｔｔ球度检验 表２ ＫＭＯ ａｎｄ Ｂａｒｔｌｅｔｔ，８ Ｔｅｓｔ
Ｋａｉｓｅｒ—Ｍｅｙｅｒ—Ｏｌｋｉｎ Ｍｅ￣ｕｒｅ ｏｆ Ｓａｍｐｌｉｎｇ Ａｄｅｑｕａｃｙ． ．６９２ Ａｐｐｍｘ．Ｃｈｉ—Ｓｑｕ￣ｒｅ ９９０．７４５ Ｂａｒｔｌｅｔｔ’８ Ｔｅｓｔ ｏｆ Ｓｐｈｅｒｉｃｉｔｙ ｄｆ ７８ Ｓｉｇ． ．０００ 主成分分析的前置就是因子分析，为了判断数据是否适合做因子分 析，本文将运用ＫＭＯ和Ｂａｒｔｌｅｔｔ球度检验方法进行检测。从表２可以看 出，ＫＭＯ值为０．６９２，一般来说，当ＫＭＯ值大于０．６时，可以做因 子分析。同时，Ｂａｒｔｌｅｔｔ度检验给出了相伴概率为０．０００，小于显著性 水平Ｏ．０５，对Ｂａｒｔｌｅｔｔ球度检验的零假设做出了拒绝，因此，是可以做 因子分析的。 （二）因子分析 表４ Ｔｏｔａｌ Ｖａｒｉａｎｃｅ Ｅｘｐｌａｉｎｅｄ Ｉｎｉｔｉａｌ Ｅｉｇｅｎｖａｌｕｅｓ Ｅｘｔｒａｃｔｉｏｎ Ｓｕｍｓ ｏｆＳⅡｕ Ｌｏａｄｉｎｇｓ Ｃ０ｍｐｏｎｅｎｔ Ｔｏｔａ１ ％０ｆＶａｒｉａｎｅｅ Ｃｕｍｕｌａｔｉｖｅ％ Ｔｏｔａｌ ％０ｆＶａｒｉａｎｃｅ Ｃｕｍｕｌａｔｉｖｅ％ １ ３ ２７５ ２５．１９３ ２５．１９３ ３．２７５ ２５ １９３ ２５．１９３ ２ ２ ４４３ １８．７９３ ４３．９８６ ２．４４３ 】８ ７９３ ４３．９８６ ３ １．４Ｏ８ １Ｏ ８２９ ５４ ８１５ １．４０８ １０．８２９ ５４ ８１５ ４ １．２４８ ９．６ｏｌ ６４ ４１６ １．２４８ ９．６０１ ６４．４１６ ５ １．１７２ ９．Ｏ１６ ７３．４３２ ｌ １７２ ９．０１６ ７３．４３２ ６ １．Ｏ８８ ８．３７０ ８１．８０２ １．０８８ ８．３７０ ８１．踟２ ７ ．８２４ ６．３３５ ８８．１３８ ８ ．４５２ ３．４７５ ９１．６１３ ９ ．３９５ ３．Ｏ４１ ９４．６５４ １０ ．２８１ ２ ｔ６２ ９６．８１６ ｌ１ ．２４８ １．９０５ ９８ ７２１ ｌ２ ．１４６ １．１２２ ９９．８４４ １３ ．０２０ ．１５６ ｌ００ ０００ Ｅｘｔｒａｃｔｉｏｎ Ｍｅｔｈｏｄ：Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ． 表４中的特征值是对因子重要程度的量化；方差贡献率则是衡 量该因子所描述的方差占原有变量总方差的比率。从计算结果可以看 出，本文可以选取６个主成分来代替原来的１３个指标，这６个主成分 包含原来所有指标信息的８１．８０２％，超过了８０％，符合要求。 袅５ Ｃｏｍｐｏｎｅ￣Ｓｃｏｒｅ Ｃｏｅｆｆｉｃｉｅｎｔ Ｍａｔｒｉｘ Ｃｏｍｐｏｎｅｍ Ｕ１ Ｕ２ Ｕ３ １２４ Ｕ５ Ｕ６ Ｘ１ ． １２６ ．２５７ 一．１８４ 一．１１０ ．１０１ ．３８９ Ｘ２ ． １２２ ． １８５ 一．２９７ 一．１ｏ６ ．２８５ ．３５９ Ｘ３ ．０１０ 一．２９９ 一．０３２ 一．２１５ ．２ｌ９ ．Ｏ５９ Ｘ４ 一．０３５ ．１４９ ．２０９ 一．０８９ ．０８９ ．２２８ Ｘ５ 一．ｏ０５ 一．２９７ ．０４３ 一． １３２ ．３４５ ．０５９ Ｘ６ ．０００ 一．０３１ ．２６６ ．５９７ ．１５２ ． １９２ ｘ７ ．１３Ｏ ．１５５ ．１７６ 一．３７９ ．０５９ 一．２６１ Ｘ８ ．１３２ ．１７３ ．４３５ ．００１ ．２７２ 一．２１３ Ｘ９ ．ｔｌｌ 一．ｏ９６ ．３８４ 一．１３５ 一．３９４ ．３６９ Ｘ１０ ．０３３ 一．００２ ．２２９ 一．０３６ ．３９１ ．２４７ Ｘ１１ ．２３３ ．１４０ 一．ｏ９０ ．２８１ ．３６５ 一．２３９ Ｘ１２ ．２５８ 一． １ｌ９ 一．１９４ ．１ｌ３ 一．Ｉｌｌ 一．１７７ Ｘ１３ ．２２５ 一．１０８ 一．０６３ ．１７０ 一．１９８ ．０１７ Ｅｘｔｒａｃｔｉｏｎ Ｍｅｔｈｏｄ：Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ． Ｃｏｍｐｏｎｅｎｔ Ｓｃｏｒｅｓ．
表５给出了每个因子对主成分的贡献系数。首先分析主成分ｕｌ， Ｘ１１、Ｘ１２、Ｘ１３的因子载荷量大于其他因子的载荷量。因此，本文用 营业总收入增长率、营业利润增长率、净利润增长率解释ｕ１，它表示 房地产公司的成长能力；其次分析主成分Ｕ２，）（３、）（５的因子载荷量大 于其他因子的载荷量。因此，本文用流动比率、速动比率解释Ｕ２，它
Ｂｕｓ－ｎ商０８ｓＩ．１７５・ 表示房地产公司的偿债能力；再者分析主成分ｕ３，ｘ８的因子载荷量远 远大于其他因子的载荷量。因此，本文用总资产周转率解释ｕ３，它表 示房地产的营运能力；接着分析主成分Ｕ４，Ｘ６、Ｘ７的因子载荷量大于 其他因子的载荷量。因此，本文用应付账款周转率和营运资金周转率解 释Ｕ４，它表示房地产公司的营运能力；再接着分析主成分ｕ５，ｘ９、 ＸｌＯ的因子载荷量大于其他因子的载荷量。因此，本文用销售净利率和 ＲＯＡ解释Ｕ５，它表示房地产公司的盈利能力；最后分析主成分ｕ６， ｘ１、Ｘ２、Ｘ９的因子载荷量大于其他因子的载荷量。因此，本文用资产 总计、ＢＰＳ、销售净利率解释Ｕ６，它表示房地产公司的规模。 （三）回归分析 将主成分ｕ１、ｕ２、ｕ３、ｕ４、ｕ５、ｕ６与房地产股票在２０１４年末的 收盘价Ｙ进行多元回归（由于各项财务指标均选取２０１４年末的数据， 因此收盘价也选取２０１４年末的数据），分析结果如下 表６ Ｍｏｄａｌ Ｓｕｍｍａｗ Ａｄｊｕｓｔｅｄ Ｓｔｄ．Ｅｒｒｏｒ Ｍｏｄｅｌ Ｒ Ｒ Ｓｑｕａｒｅ Ｄｕｒｂｉｎ—Ｗａｔｓｏｎ Ｒ Ｓｑｕａｒｅ ０ｆ ｔｈｅ Ｅｓｔｉｍａｔｅ ｌ １ ．７６３ ．５２７ 一．５１８ ９．５９２２２５３ １．８６８ 表７ ＡＮＯＶＡ Ｍｏｄｅｌ Ｓｕｍ ｏｆ Ｓｑｕａｒｅｓ ｄｆ Ｍｃａｎ Ｓｑｕａｒｅ Ｆ Ｓｉｇ． Ｒｅｇｒｅｓｓｉｏｎ ３３０．５６８ ６ ５５．０９５ １０．５９９ ．０００ １ Ｒｅｓｉｄｕａｌ １２０５３．４１３ １３１ ９２．Ｏｌ１ Ｔｏｔａｌ １２３８３．９８１ ｌ３７ 表８ Ｃｏｅｆｆｉｃｉｅｎｔｓ Ｕｎｓｔａｎｄａｒｄｉｚｅｄ Ｃｏｅｆｆｉｃｉｅｎｔｓ Ｓｔａｎｄａｒｄｉｚｅｄ Ｃｏｅｆｉｑｃｉｅｎｔｓ Ｍｏｄｅｌ Ｓｉｇ． Ｂ Ｓｔｄ．Ｅｒｒｏｒ Ｂｅｔａ （Ｃｏｎｓｔａｎｔ） １５ ３３６ ８１７ １８ ７８２ ．０００ ＲＥＧＲ ｆａｃｔｏｒ ＳＣＯＩ￣ｌ ．２３９ ．８２０ 一．０２５ — ２９２ ．７７１ ｆｏｒ ａｎａｌｙｓｉｓ１ ＲＥＧＲｆａｃｔｏｒ ｓｃｏｒｅ ２ ．５５５ ．８２０ 一．０５８ ——６７７ ４９９ ｆｏｒ ａｎａｌｙｓｉｓ】 ＲＥＧＲｆａｃｔｏｒ ９ｃｏｒｅ ３ １ ２０８ ．８２０ — １２７ —１．４７４ ．１４３ １ ｆｏｒ ａｎａｌｙｓｉｓ１ ＲＥＧＲｆａｃｔｏｒ ５ｃｏｒｅ ４ 一．５５０ ８２０ 一．０５８ —６７１ ．５０３ ｆｏｒ ａｎａｌｙｓｉｓ１ ＲＥＧＲｆａｃｔｏｒ ｓｃｏｒｅ ５ ５０９ ．８２０ ．０５４ ．６２１ ．５３６ ｆｏｒ ａｎ山ｓｉｓ１ ＲＥＧＲｆａｃｔｏｒ ８ＣＯＩ￣６ １６２ ８２０ ．０１７ ．１９８ ０４３ ｆｏｒ ａｎａｌｙｓｉｓ１ （下接第１８３页） 出现不正规销售现象，这一问题对我国金融市场的正常运行具有严重的 影响。 ４．金融监管的未来发展 ４．１完善金融监管体系和制度 在最近出现的金融危机中，美国为了保证自身的经济利益，对金融 监管法案进行了改革，这为我国的金融监管发展起到了巨大的启发作 用，也使更多的人开始关注金融监管中存在的问题。面对金融危机，我 国需要制定系统性的金融监管体系，通过这次金融危机我们能够发现， 系统性的金融监管能够更好的对次贷危机等严重的金融风险进行预防， 从而保证我国金融市场的正常发展。另外，实现金融监管和信息共享之 间的协调发展，一个良好的金融体系能够将自身的金融风险降到最低， 这是我国金融市场中非常紧缺的，需要国家尽快制定有效的监管制度， 对信贷集中度风险进行有效的预防和处理，保证我国金融市场的正常 发展 。 ４．２积极开展消费者金融保护制度 我国当前对消费者的金融保护制度建设非常不完善，随着这次金融 危机的出现，越来越多的问题暴露出来，这对我国的金融行业发展来说 是非常严重的制约。具体的问题主要集中在以下几点中：首先是我国的 大多数金融监管机构对消费者的权益没有明确的保护责任，这种情况导 致金融消费者的权益在受到损害时没有一个有效的申诉地方和机构，另 ・１ ７６・Ｂｕｓｉｎｅｓｓ 从表６可以看出，Ｒ＝０．７６３，Ｒ平方＝０．５２７，调整后的Ｒ平方 ＝０．５１８，表明模型拟合度较优，有７６．３％的预测可以用这个模型来 预测，因子的解释力为５２．７％，属于较强级别； 从表７可以看出，Ｆ值为１０．５９９＞２，符合要求；Ｓｉｇ：０．０００＜０． ００５，说明该模型显著，可信； 从表８可以看出．多元回归模型为：Ｙ＝１５．３３６＋０．２３９Ｕ１—０． ５５５Ｕ２—１．２０８Ｕ３—０．５５０Ｕ４＋０．５０９Ｕ５＋０．１６２Ｕ６ 由于Ｕ３、Ｕ４均代表营运能力，因此将上式继续整合，得到： Ｙ＝１５．３３６＋０．２３９成长能力一０．５５５偿债能力一１．７５８营运能 力＋０．５０９盈利能力＋０．１６２公司规模。 三、结论与建议 通过以上对房地产股票在２０１４年年末的数据进行实证分析，我们 可以得出以下结论： （１）营运能力对房地产企业股票的影响能力最大，但为负。说明 营运能力对房地产股价有消极的影响作用，且相关性很强； （２）偿债能力对房地产企业股票的影响能力较大，但为负。说明 偿债能力对房地产股价有消极的影响作用，且相关性较强； （３）盈利能力对房地产企业股票的影响能力一般，且为正。说明 偿债能力对房地产股价有积极的影响作用，且相关性一般； （４）成长能力对房地产企业股票的影响能力较小，且为正。说明 成长能力对房地产股价有积极的影响作用，且相关性较弱； （５）企业规模对房地产企业股票的影响能力最小，且为正。说明 企业规模对房地产股价有积极的影响作用，且相关性最弱。 综上所述，财务指标的确成为了房地产股票价格的重要影响因素， 但各类财务指标对其股价的影响程度差别很大，说明我国房地产企业市 场还需要继续发展与完善。（作者单位：苏州大学东吴商学院）