未来五年中国二手住宅价格：一种可解释组合预测方法及其驻底分析（2026—2030）

版本： 0.2（preprint） 日期： 2026-08-15

摘要

房价的长期预测在学界被普遍认为天然困难（Rapach & Strauss, 2009），但长期预测又正是政策与家庭最需要的信息。本文基于国家统计局 70 城二手住宅官方价格指数（2019-01 至 2026-06，连续 90 个月、无缺口），提出一种可解释三成分组合预测方法：趋势延续、均值回归、季节性三个成分加权组合，权重不靠人为假设，而由滚动样本外验证选择（仅用决策时点之前的历史，避免数据窥探）。权重本身即解释——模型让数据决定”这个市场是趋势市还是均值回归市”，并通过切点敏感性检验确认结论稳健性。

在 2026—2030 五年展望中，数据自动选出：全国 70 城为下行趋势市（趋势权重 1.0），北京为均值回归市（均值回归权重 0.5）。基准情景下全国 5 年累计约 −22%，北京约 −4.6%。但本文强调，该基准是纯价格动量的外推，不代表对未来房价的强判断：数据同时显示明确的驻底领先信号（全国环比连续两年改善、北京环比已转正），因此本文给出”若驻底成立”的替代情景——全国 5 年累计收窄至 −5.4% 至 −2.6%，北京转正。综合判断，全国 5 年更可能的区间为 −5% 至 −22%，北京为 −5% 至 +5%，具体取决于政策托底力度。

关键词：房价预测；均值回归；可解释性；情景区间；中国；驻底

1. 引言

“未来五年房价会怎样”是政策制定者、家庭与研究者共同关心的问题。但房价长期预测有一个内在困难：长期点预测能力天然有限（Rapach & Strauss, 2009 用美国各州数据证明房价可预测性随地区而异且宏观变量只在较长预测期才带来增益）。因此，诚实的长期预测不应输出一个伪精确的单值，而应给出方向 + 区间 + 情景，并明确方法依赖的假设。

本文的定位不是”我们猜中了未来”，而是提出一种可解释的预测框架：每个预测数字都能拆解为若干可理解成分的加权，且权重由数据自身在滚动验证中选出。这使预测既可用于决策参考，也可被审计——当实际偏离预测时，能追溯到是哪个成分、哪个假设失效。

本文聚焦中国二手住宅市场，基于 70 城官方二手指数。数据与方法细节建立在作者此前的工作上（作者, 2026a），本文不再重复数据构建过程，直接使用其产出的连续面板。

本文贡献：

1. 提出可解释三成分组合预测方法，权重由滚动样本外验证自动选择；
2. 给出全国 70 城与北京 2026—2030 五年预测（方向 + 情景区间）；
3. 结合实测驻底信号，给出”若驻底成立”的替代情景，避免把趋势外推误当强判断。

2. 相关工作

房价动态与预测的研究有一条清晰主线：短期动量 + 长期均值回归。

动量的微观基础。 Case & Shiller (1989) 用美国重复销售指数证明房价存在跨期持续性（惯性），市场短期并不有效，过去涨幅能预测短期未来涨幅——这是”动量只在短期”的源头文献。Piazzesi & Schneider (2009) 用调查证据显示大量购房者以”外推预期”形成价格预期，从微观行为解释了为何会出现”短期动量 → 随后反转”的周期。

长期均值回归。 Capozza, Hendershott, Mack & Mayer (2002) 在误差修正框架下同时估计动量与向长期均衡的回归，发现长期均衡由建筑成本与收入决定，回归速度随城市特征而异。这是”长期预测 = 向基本面均衡收敛”最经典的实证来源。Glaeser & Nathanson (2017) 将外推预期形式化，统一解释了动量与长期回归并存的摆动。

预测能力与基本面。 Rapach & Strauss (2009) 证明美国各州房价并非高度可预测，可预测性随州而异，宏观基本面变量在较长预测期才带来增益。IMF 的 Geng (2018) 用 20 国面板协整估计长期均衡房价与收入、实际利率、供给的关系，并测算”估值缺口”——这是”价格离基本面多远、会否回归”的现代量化模板。

中国特殊性。 Fang, Gu, Xiong & Zhou (2015) 自建 120 城价格指数，发现中国房价十年大涨大体被收入增长解释（除一线城市），且按揭首付普遍高于 35%，短期不必然引发金融风险。Wu, Gyourko & Deng (2012) 用建筑成本与收入等基本面评估中国主要城市房价，为”基本面残差 = 政策与情绪”的思路提供了基础。Dreger & Zhang (2013) 的面板协整检验则提示中国大城市房价存在偏离基本面的成分。

本文与上述工作的区别：不重新估计基本面弹性（宏观样本仅 3.5 年，不足以单独识别），而是采用纯价格时序的可解释组合，并把”是否应使用均值回归”交给数据在滚动验证中决定——全国被选为趋势市、北京为均值回归市，这与 Capozza 等”回归速度随市场而异”的结论一致。

3. 数据与方法

3.1 数据

使用国家统计局 70 城二手住宅官方价格指数的月环比序列（2019-01 至 2026-06，90 个月，无缺口）。全国序列取 70 城月环比均值；北京取单城序列。数据构建细节见作者此前工作（作者, 2026a）。

3.2 可解释三成分组合

每个预测时点，三个成分各给出一个预测：

三个成分按权重线性组合得到预测：

$$\hat{y}_{t+h} = w_1\,T_{t+h} + w_2\,R_{t+h} + w_3\,S_{t+h}, \qquad w_1 + w_2 + w_3 = 1,\ w_i \ge 0$$

其中 $T$、$R$、$S$ 分别为上表的趋势延续、均值回归、季节性成分。

权重 $w_1, w_2, w_3$ 在单位单纯形上网格搜索（步长 0.25），按滚动 12 个月样本外 MAE 最小化选择：

$$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n} |\hat{y}_i - y_i|$$

为避免数据窥探，权重只用每个预测点之前约 3/4 的历史选择，剩余 1/4 用于确认。

权重的敏感性（方法稳健性的关键检验）。权重选择依赖”训练切点比例”（frac，默认 0.75），需验证结论不随该超参数漂移。对 frac ∈ {0.55, 0.6, 0.7, 0.75, 0.8, 0.9} 的敏感性检验：

解读：全国在 frac ≥ 0.6 时稳定选择趋势（1/0/0），结论稳健；北京在大多数切点（0.55—0.7、0.9）下均值回归占主导（0.5—0.75），仅在 0.8 处突变为纯趋势。因此**“全国为趋势市、北京为均值回归市”的定性结论对切点大体稳健**，但北京的具体权重值对切点敏感（0.5—0.75 之间浮动），应视为区间而非精确值。

3.3 情景区间

基准路径为组合预测。低/高情景以历史 5 年实际累计波动为幅度锚（全国 −22.9%、北京 −8.9%），而非机械累积月度偏移。这使区间反映”现实中发生过多大波动”，而非任意设定。

4. 结果

4.1 数据自动选出的权重（可解释核心结果）

其中半衰期由 $\rho$ 按 $h = \ln(0.5) / \ln(\rho)$ 折算：全国 $\rho=0.958$ 对应约 16 个月，北京 $\rho=0.695$ 对应约 2 个月——回归越快，偏离长期均值的部分被”消化”得越快。

解读：全国被数据选为趋势市（趋势权重 1.0）——因为近 5 年持续下行，均值回归假设不成立；北京被选为均值回归市（回归权重 0.5）——因为其长期均值略高于 100，且当前接近该均值。这与 Capozza 等”回归速度随市场而异”的结论一致：不同市场应使用不同方法，而本文让数据自己选。

4.2 五年预测（基准情景）

全国基准延续趋势（环比约 99.5），5 年累计约 −22%，与过去 60 个月实际 −22.9% 接近。北京基准以均值回归为主，5 年约 −4.6%，相对抗跌。低/高情景围绕基准以历史 5 年波动为幅度锚（全国 ±11.4 个百分点、北京 ±4.4 个百分点），反映”现实中发生过多大波动”。

4.3 驻底可能性与替代情景

模型是纯价格时序模型，无法内生预测”驻底”——2019—2026 样本中从未发生一次”持续下跌 → 长期转涨”的完整转折，模型没有参照。但数据提供了明确的驻底领先信号：

若驻底成立的情景（环比在 12—24 个月内向 100 收敛）：

综合判断：全国 5 年更可能的区间为 −5% 至 −22%（“逐步企稳”到”持续阴跌”之间），北京为 −5% 至 +5%。驻底信号越强、政策越积极，越接近区间上沿（跌幅小）。触发条件（外生判断，非模型输出）：限购放松、收储落地、LPR 下调等政策托底。

5. 讨论与局限

局限一：样本只有一个半周期。 90 个月覆盖 2019—2026，含 2021 峰值与 2022 后调整，但不足以稳健估计长期基本面弹性。回归速度与长期均值的置信区间较宽。

局限二：纯价格时序，未纳入基本面。 宏观面板仅 3.5 年，不足以单独识别收入、库存、利率→房价的长期关系。本文用指数自身长期均值作锚，未用基本面。若需纳入基本面，需更长宏观样本（可参考 Geng 2018 的协整框架）。

局限三：政策不可观测。 限购、限贷、收储、土地财政未纳入点预测，只通过情景区间间接体现。政策冲击可能使实际路径落在区间之外——这正是”驻底”情景存在的原因。

局限四：区间不是概率。 低/高情景以历史 5 年波动为幅度锚，不代表实际概率分布。本文的”综合区间”（全国 −5%~−22%）是”驻底与不驻底”两种情形的并集，未给出两者各自的概率——这是数据样本（无历史完整转折）与模型（纯时序）的双重约束，而非疏忽。读者应把该区间理解为”可能结果的范围”，而非”概率分布”。

局限五：北京长期均值可能被高估。 北京长期均值环比 100.04 > 100 的估计依赖 7 年样本，其中含 2020—2022 的上涨期。若上涨期在长期中属异常，则”长期温和上涨”的判断可能被高估，“北京更抗跌”的结论应打折扣。

局限六：区级情景低置信度。 本文只预测全国与北京官方指数；北京区级挂牌均价情景（见项目报告）因样本仅 18 个月、非官方口径，全部标注 low 置信度，不作为本文结论。

6. 结论

本文提出可解释三成分组合预测，权重由滚动样本外验证自动选择，并通过切点敏感性检验确认核心结论（全国趋势市、北京均值回归市）大体稳健。在 2026—2030 展望中，数据把全国判为趋势市（延续下行，基准 −22%）、北京判为均值回归市（横盘略降，−4.6%）。但结合实测驻底信号，本文强调基准是最坏但非必然的情形：若驻底成立，全国 5 年收窄至 −5% 左右，北京转正。综合看，全国 5 年更可能在 −5% 至 −22% 之间，北京在 −5% 至 +5% 之间——该区间是两种情形的并集，不包含概率信息。

预测的价值不在于猜中一个数，而在于把”这个结论依赖什么假设、什么数据、什么信号”讲清楚。本文的可解释框架让每个预测都能被拆解、被审计——当现实偏离预测时，我们知道是哪一步假设失效。

参考文献

[1] Capozza, D., Hendershott, P., Mack, C., & Mayer, C. (2002). Determinants of Real House Price Dynamics. Journal of Real Estate Finance and Economics, 24. https://www.nber.org/papers/w9262

[2] Case, K., & Shiller, R. (1989). The Efficiency of the Market for Single-Family Homes. American Economic Review, 79(1). https://www.nber.org/papers/w2506

[3] Dreger, C., & Zhang, Y. (2013). Is There a Bubble in the Chinese Housing Market? Urban Policy and Research. https://www.diw.de/de/diw_01.c.457346.de/publikationen/externe_referierte_aufsaetze/2013_0001/is_there_a_bubble_in_the_chinese_housing_market.html

[4] Fang, H., Gu, Q., Xiong, W., & Zhou, L.-A. (2015). Demystifying the Chinese Housing Boom. NBER Working Paper 21112; NBER Macroeconomics Annual 30. https://www.nber.org/papers/w21112

[5] Geng, N. (2018). Fundamental Drivers of House Prices in Advanced Economies. IMF Working Paper WP/18/164. https://www.imf.org/~/media/Files/Publications/WP/2018/wp18164.ashx

[6] Glaeser, E., & Nathanson, C. (2017). An Extrapolative Model of House Price Dynamics. Journal of Financial Economics, 126(1). https://www.nber.org/papers/w21037

[7] 作者. (2026a). 可测量与不可测量：中国房价数据的一种来源—口径感知构建方法（以北京为区级案例）. preprint, v0.4.

[8] Piazzesi, M., & Schneider, M. (2009). Momentum Traders in the Housing Market: Survey Evidence and a Search Model. American Economic Review, 99(2), 406–411. https://benny.aeaweb.org/articles?id=10.1257/aer.99.2.406

[9] Rapach, D., & Strauss, J. (2009). Differences in Housing Price Forecastability Across US States. International Journal of Forecasting, 25(2), 351–372. https://www.sciencedirect.com/science/article/abs/pii/S0169207009000119

[10] Wu, J., Gyourko, J., & Deng, Y. (2012). Evaluating Conditions in Major Chinese Housing Markets. Regional Science and Urban Economics, 42(3), 531–543. https://ideas.repec.org/r/eee/regeco/v42y2012i3p531-543.html

作者与声明

作者： Liyuk

利益冲突： 作者声明无利益冲突。本项目未受任何商业机构资助，不构成任何投资建议；预测输出不构成对未来房价的承诺或保证。

数据可用性： 全部采集、清洗、建模代码可在 GitHub 仓库复现（cn-housing-price-training）。模型输出为情景区间而非点预测，且明确”政策为不可观测外生变量、未纳入点预测”。预测基于 2019-2026 年官方指数，样本仅一个半周期，回归速度估计置信区间较宽，请谨慎解读。