中国房地产市场情绪指数：一种生成式人工智能方法及其在货币政策传导中的应用

中国房地产市场预期指数：一种生成式人工智能方法及其在货币政策传导中的应用 陈凯吉（埃默里大学）和赵云辉（国际货币基金组织）WP/24/264 国际货币基金组织工作论文描述作者（们）正在进行的研究，并公开发表以引发评论和促进辩论。国际货币基金组织（IMF）工作论文中表述的观点是作者（们）的观点，并不一定代表IMF、其执行董事会或IMF管理的观点。 2024DEC 国际货币基金组织工作论文 能力发展研究所 中国房地产市场景气指数： 一种生成式人工智能方法及其在货币政策传导中的应用 由凯吉·陈（埃默里大学）和云辉·赵（国际货币基金组织）准备1 经Natan Epstein授权分发，2024年12月 国际货币基金组织工作论文描述作者（们）正在进行的研究，并公开发表以征询评论和鼓励辩论。国际货币基金组织（IMF）工作论文中表达的观点是作者（们）的观点，并不一定代表IMF、其执行董事会或IMF管理的观点。 摘要：我们通过应用GPT-4o对中文新闻报道进行处理，构建了一个每日中国房地产市场情绪指数。我们的方法在多个模型中优于传统模型。应用此验证测试，包括基于一套机器学习指数的测试以及对家庭级数据的测试，我们发现， 在货币之后缓解, 一个重要的购房群体(谁拥有大学学历并且年龄在30至50岁之间）在更具乐观住房情绪的城市中较低在非住房消费中的反应，而在其他年龄-教育群体中的购房者，这种模式并不存在。这表明，由于悲观住房情绪的挤出效应减弱，当前的货币宽松政策可能比过去对中国来说在提振非住房消费方面更为有效。论文还强调了在中国进行配套结构性改革以增强货币政策传导的必要性，这对于其他类似国家来说是一个相关的教训。在方法论上，它提供了一种监测住房情绪的工具，并概述了一些适用于全球其他研究的生成式AI模型应用原则。 推荐引用：陈，凯基，赵云辉. 2024. “中国房地产市场情绪指数：一种生成式人工智能方法及其在货币传递中的应用”，国际货币基金组织，华盛顿特区，国际货币基金组织工作论文No. 24/264 目录 I. 引言............................................................................................................4II. 中国房地产市场情绪指数的构建................................10 A. 数据与方法.....................................................................................10B. 暂时生成工程原则....................................................................12 III. 有效性测试与与其他模型的比较 ............................................ 13 A. 与人工评估的比较............................................................13B. 关于“重大住房政策”公告的情感分析..........................22C. 房价预测................................................................................30D. CHMSI 实时展示......................................................................................37 第四章一个关于研究中国货币政策传导机制的应用..........................................40 A. 研究设计...............................................................................................40B. 数据和制度背景..................................................................42C. 实证规范..................................................................................43D. 实证结果：乐观制度.............................................................45E. 实证结果：悲观制度 ...........................................................48F. 实证结果：考虑潜在的内生性..............................50G. 稳健性检验...........................................................................................52H. 讨论........................................................................................................53 附录...................................................................................................................61V.结论和政策含义 ....................................................................55参考文献....................................................................................................................57 I. 引言 监测住房市场情绪对于任何拥有庞大住房部门的国家的家庭、金融机构和政策制定者来说至关重要。这在当前形势下尤其适用于中国，中国正遭受2021年恒大集团流动性危机后的住房困境。为此，中国当局最近放宽了货币政策立场，以提振国内消费和刺激经济。例如，2024年7月一年期贷款市场报价利率（中国的基准利率）下调了10个基点，9月份下调了20个基点，中国人民银行在2024年11月表示将“增加逆周期货币政策的强度”。这引发了关键问题：我们如何准确测量中国的住房市场情绪？这种情绪如何影响货币政策传导及其对中国消费的影响？ 新闻文章为衡量市场情绪提供了天然的机会，但传统方法在准确捕捉这些文章中表达的微妙情绪方面面临挑战。人工智能（AI），尤其是由生成式AI驱动的巨型语言模型（LLMs）如GPT-4o，由于其处理和理解复杂文本数据的高级能力，在解决这些挑战方面具有巨大潜力。与基于关键词的模型不同，这些模型往往忽略了上下文和细微差别，GPT-4o利用深度学习来理解语言中的上下文和微妙之处。与一些其他LLMs（如BERT）相比，这些LLMs需要大量标注数据进行训练，GPT-4o可以执行零样本和少样本学习。2使分析多样化和动态文本数据更加灵活。 在这篇论文中，我们应用了OpenAI的GPT-4o模型，利用新闻文章数据构建了中国房地产市场情绪指数（CHMSI）。我们提出了多个版本的指数，每个版本都是通过不同级别的“提示”——针对生成式AI模型的指令——创建的。我们总结了八项有效的“提示工程”原则，这是一个涉及设计和完善输入指令以引导AI模型的过程。我们发现，GPT-4o使用“高级”提示构建的住房情绪指数在所有三个标准上都优于传统的基于关键词的模型和许多中国大型语言模型：首先，一致性， 人类评估。使用选定的测试文章，通过高级提示从GPT-4o模型生成的住房市场情绪得分，与人类评估相比，总和平方误差最低。其次，捕捉重大住房政策宣布周围市场情绪的能力。与其他LLMs生成的对应项相比，GPT-4o构建的住房情绪指数表现出更少的噪声，与主要住房政策宣布的符合度更高。第三，使用机器学习模型预测国家住房价格趋势的能力。我们将不同的情绪指数应用于广泛用于宏观经济预测的机器学习模型，以预测房价的年增长率，并对模型进行“赛马”以确定最佳预测模型。我们使用GPT-4o构建的情绪指数的优选预测模型（随机森林模型）在预测性能上高于使用传统基于关键词的方法或中国LLMs的模型。根据上述三个标准证实GPT-4o构建的情绪指数的有效性后，我们将我们的每日情绪指数数据扩展到最新可用的日期（2024年9月11日）。这样做使我们可以追踪中国正在发生的住房低迷期间以及最近的主要政策后的住房情绪。我们最新的中国住房市场情绪指数可以很好地追踪住房监管政策重要变化（如“三条红线”政策）和住房市场困境（如与恒大和碧桂园的金融困难相关）周围的住房情绪。它还揭示了政府住房刺激政策对中国家庭对住房市场信心的影响。 我们随后应用我们的CHMSI来评估住房部门的作用以及中国货币宽松政策在刺激国内消费方面的有效性。我们使用了2013年第三季度至2015年第四季度的家庭层面数据集，该数据集包括交易层面的信用卡支出和交易层面的抵押贷款发放。我们的货币政策冲击来自陈、任和赵（2018）的研究，该研究使用基于M2的内生切换货币政策规则构建。 我们的实证策略利用了中国城市在国家级房地产市场情绪方面的差异。我们将这种暴露度衡量为城市级别的百度搜索指数，这充当了该城市潜在购房者关注度的代理，以及城市本地房地产市场冲击的代理。具体而言，通过将百度搜索指数按城市人口进行标准化，我们改进了CHMSI，创建了“关注调整的中国房地产市场情绪指数”（AACHMSI）。我们将城市按照以下标准进行分类：AACHMSI across all cities and quarters and比较非住房消费对货币政策的反应 家庭之间的冲击属于AACHMSI前20百分位数的城市（即处于“乐观体制”）以及属于AACHMSI后20百分位数的城市（即处于“悲观体制”）这两个城市群体中家庭对货币政策冲击的平均非住房消费反应之间的差异，为房地产市场情绪对货币政策传导至非住房消费影响的可信估计提供了一个依据。 我们采用局部投影方法来估计房地产市场情绪对货币政策传导至非住房消费的交互作用。我们的局部投影结果表明，在货币政策放松后，城市购房者的非住房消费受到的影响在...乐观住房情绪增长由较少特别对于拥有大学学位且年龄在30至50岁之间的家庭而言如此。然而， 对于其他年龄和教育背景的群体，这样的模式并不存在。此外，我们发现，在经济情绪更加乐观的城市，房价对货币政策的放宽反应更大。 我们的研究发现，货币政策放松对现有业主的非住房消费存在挤出效应，即：在货币政策放松之后，房价上涨，这鼓励更多现有业主为了获得未来的资本收益而进行房屋升级交易，即购买更大的房子，这种机制在房地产情绪乐观时尤为相关。由于房价上涨增加了首付，现有业主将减少其当前的住房消费。此外，更高的房价增加了抵押贷款的本金（从而增加了未来的本金还款）；因此，如果较高的本金还款抵消了较低的利息支付，现有业主也将减少其未来的非住房消费。我们通过开发一个简单分析模型来解释我们的发现，该模型突出了具有大学学位且年龄在30至50岁之间的一组现有业主的“升级”房屋交易（即升级到更大的房子）。这一群体对整个房地产市场具有量化意义，因为，如Chen等人（2023a）所示，增加的家庭升级其现有房屋的数量，对总抵押贷款发放额的增加贡献了57.