(34.204.185.54) 您好!臺灣時間:2021/04/11 05:23
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳怡帆
研究生(外文):CHEN, YI-FAN
論文名稱:Google Trends關鍵字搜尋能否預測台灣房市?
論文名稱(外文):Can Google Trends Predict Housing Market in Taiwan?
指導教授:江明珠江明珠引用關係
指導教授(外文):CHIANG, MING-CHU
口試委員:蔡怡純周淑卿
口試委員(外文):TSAI, I-CHUNCHOU, SHU-CHING
口試日期:2018-05-28
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:財務金融系
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2018
畢業學年度:106
語文別:中文
論文頁數:51
中文關鍵詞:房價Google Trends情緒指標向量自我迴歸模型
外文關鍵詞:housing priceGoogle Trendssentiment indicatorVAR Model
相關次數:
  • 被引用被引用:1
  • 點閱點閱:446
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
探討搜尋行為代表的情緒與消費者信心指數之關係,以及正、負情緒指標能
否預測不動產之交易量及價格,本研究根據 Beracha & Wintoki (2013) 將 Google
Trends 關鍵字搜尋區分為正情緒及負情緒,並採用”房仲”、”仲介”、”信義房屋”、”
永慶房屋”以及”台灣房屋”作為有租買動機之消費者所輸入之關鍵字;選用”房屋貸
款”、”貸款利率”以及”房貸”作為有購屋意願之關鍵字;”租屋”、"租屋網”以及”591
租屋網”作為有租屋意願之關鍵字。經由主成分分析(Principal Components Analysis,
PCA)從數個關鍵字中個別萃取出正負情緒指標,並利用向量自我迴歸模型 (Vector
Auto-regression Model , VAR) 分析正負情緒指標對不動產交易量及價格之影響,再
以衝擊反應模型分析當不動產交易量及價格受正負情緒指標衝擊時之反應。
由實證結果得知,正負情緒指標對於房屋之交易量及價格均有顯著的解釋能
力。正情緒指標在半年後會正向影響交易量,而在一年後會影響房屋價格;負情
緒指標在一年後對交易量有正向影響,而在半年後房價會有下跌趨勢。本研究的
實證結果顯示,當投資人對市場較樂觀時,房屋市場對於情緒反應有量比價先行
之現象;投資人對市場較悲觀時有價比量先行之現象。此結果代表投資人情緒對
於不動產市場有舉足輕重之影響,本研究也建議,可觀察 Google Trends 得知目前
市場投資人情緒反應,並了解未來價量之可能變化。

To study the relationship between sentiment and consumer confidence index, and
whether the sentiment can predict the housing trading volume and price, the study
follows Beracha & Wintoki (2013), to construct positive and negative sentiment
indicators from Google Trends search. We use “Agent”,” housing loan”, “loan rate” as
keywords for people who conduct web search before make housing decision. This study
uses principal component analysis (PCA) extracts positive and negative sentiment
indicators from several keywords, and use vector auto-regression model (VAR) to
analyze the impact of sentiment indicators on housing volume and price. The impulseresponse
model is applied to analyze the reaction when the housing volume and price
are affected by positive and negative sentiment indicators. The results show that,
positive and negative sentiment indicators have significant relationships with housing
volume and price. The positive sentiment indicator will positively affect the housing
volume after half a year, and affect the house price one year later. However, the negative
sentiment indicator will positively influence on the housing volume after one year, and
negatively influence house price after half a year. The empirical results of this study
show that, when investors are more optimistic about the market, the housing volume
will react earlier before price; whereas if investors are more pessimistic about the
market, the housing price will lead before trading volume. This result indicates that
investor sentiment has a significant impact on the housing market and suggests that
Google Trends can be a useful tool to timely inspect of investor sentiment for possible
changes in future housing market.
第一章 緒論
第一節 研究背景及動機
第二節 研究目的
第二節 研究限制
第四節 研究流程
第二章 文獻探討
第一節 情緒指標影響房價
第二節 總體經濟變數影響房價
第三章 研究方法
第一節 實證模型建立
第二節 資料變數來源及說明
第三節 資料分析方法
第四章 實證結果與分析
第一節 基本敘述統計
第二節 相關係數
第三節 單根檢定(Unit Root Test)
第四節 向量自我迴歸模型
第五節 衝擊反應分析第五章 結論與建議
參考文獻
宇真德 (2011)。 經濟發展過程所得分配對住宅需求影響之變化趨勢。暨南大學經
營管理碩士在職專班學位論文,1-65。
林秋瑾、王健安、張金鶚,(1997)。房地產景氣與總體經濟景氣於時間上領先,同
時、落後關係之探討。國家科學委員會研究彙刊,7(1),35-56。
林左裕、程于芳 (2014)。影響不動產市場之從眾行為與總體經濟因素之研究。應
用經濟論叢。
花敬群、張金鶚 (1997)。住宅市場價量波動之研究。住宅學報, 5,1-15。
周美伶、張金鶚 (2005)。購屋搜尋期間影響因素之研究。管理評論, 24(1),133-150
彭建文、張金鶚 (2000)。總體經濟對房地產景氣影響之研究。國家科學委員會研
究彙刊: 人文及社會科學,10(3),330-343。
張金鶚 (2003)。房地產投資與市場分析:理論與實務,華泰文化事業。
張金鶚、陳明吉、鄧筱蓉、楊智元(2009)。台北市房價泡沫知多少?—房價 vs. 租
金,房價 vs. 所得。住宅學報,18(2)。
張金鶚、陳明吉、陽智元 (2010)。台北市房價泡沫之再驗。政大台灣房地產研究
中心。
陳旭昇 (2013)。時間序列分析: 總體經濟與財務金融之應用,東華書局。
曾建穎、張金鶚、花敬群 (2005)。不同空間、時間住宅租金與其房價關聯性之研
究-台北地區之實證現象分析。住宅學報,14(2),27-49。
蔡怡純、陳明吉 (2013)。房價之不對稱均衡調整:門檻誤差修正模型應用。臺灣
土地研究,16(1),37-58。
黃育增 (2017)。網路房地產關鍵字搜尋與房地產市場變動之相關性研究–Google
Trends 之應用。中興大學應用經濟學系所學位論文,1-66。
42
顏郁峰 (2011)。台北市、全國房地產市場與總體經濟連結度-台北市房地產是否為
總體優良指標。臺灣大學經濟學研究所學位論文,1-43。
黃浚紘 (2013)。Google 是否能預測台灣股票報酬率?。臺灣大學財務金融學研究
所學位論文,1-50。
黃博羣 (2015)。房價指數、房仲類股與房市臉書粉絲專頁之關鍵字關聯性探討。
世新大學財務金融學研究所碩士論文。
廖茂成 (2001)。資產市場關聯性與財富效果-台灣股票市場與不動產市場之分析。
中山大學財務管理研究所碩士論文。
謝宗憲 (2014)。亞馬遜公司股價與 Google Trends 關鍵字搜尋之探討。世新大學財
務金融學研究所碩士論文。
Arslan, Y., Kanık, B., & Köksal, B. (2015). Anticipated vs. unanticipated house price
movements and transaction volume, Journal of Housing Economics, 28, 121-129.
Beatty , S. E. , & Smit h, S. M. (1987). External search effort: An investigation across
several product categories, Journal of consumer research, 14(1), 83-95.
Bank, M., Larch, M., & Peter, G. (2011). Google search volume and its influence on
liquidity and returns of German stocks. Financial markets and portfolio management,
25(3), 239.
Beracha, E., & Wintoki, M. B. (2013). Forecasting residential real estate price changes
from online search activity. Journal of Real Estate Research, 35(3), 283-312.
Case, K. E., & Shiller, R. J. (1988). The efficiency of the market for single-family
homes.
Choi, H., & Varian, H. (2012). Predicting the present with Google Trends. Economic
Record, 88(1), 2-9
Croce, R. M., & Haurin, D. R. (2009). Predicting turning points in the housing market.
Journal of Housing Economics, 18(4), 281-293.
43
Dietzel, M. A. (2016). Sentiment-based predictions of housing market turning points
with Google trends. International Journal of Housing Markets and Analysis, 9(1),
108-136.
Da, Z. Engelberg, J., & Gao, P. (2011). In search of attention. The Journal of Finance,
66(5), 1461-1499.
Daniel, W. (2002). The dynamics of metropolitan housing prices. Journal of Real Estate
Research, 23(1-2), 29-46.
Ettredge, M., Gerdes, J., & Karuga, G. (2005). Using web-based search data to predict
macroeconomic statistics. Communications of the ACM, 48(11), 87-92.
Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S., & Brilliant,
L. (2009). Detecting influenza epidemics using search engine query data. Nature,
457(7232), 1012.
Guzman, G. (2011). Internet search behavior as an economic forecasting tool: The case
of inflation expectations. Journal of economic and social measurement, 36(3), 119-167.
Mikhed, V., & Zemčík, P. (2009). Do house prices reflect fundamentals? Aggregate and
panel data evidence. Journal of Housing Economics, 18(2), 140-149.
Marcato, G., & Nanda, A. (2016). Information content and forecasting ability of
sentiment indicators: case of real estate market. Journal of Real Estate Research, 38(2),
165-203.
Preis, T., Moat, H. S., & Stanley, H. E. (2013). Quantifying trading behavior in financial
markets using Google Trends. Scientific reports, 3, srep01684.
Shiller, R. J. (2008). Historic turning points in real estate. Eastern Economic Journal,
34(1), 1-13.
Vosen, S., & Schmidt, T. (2011). Forecasting private consumption: survey‐based
indicators vs. Google trends. Journal of Forecasting, 30(6), 565-578.
Wu, L., & Brynjolfsson, E. (2015). The future of prediction: How Google searches
foreshadow housing prices and sales. In Economic analysis of the digital economy (pp.
44
89-118). University of Chicago Press.
電子全文 電子全文(網際網路公開日期:20231231)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔