媒体情绪与房价波动

奥鹏网院作业

媒体情绪与房价波动
况伟大 张思涵 张 璋

[提 要] 本文使用2000—2015年中国112个大中城市媒体报道和房价月度指数研究了媒体异质性对房价波动的影响。研究发现，纸媒情绪对房价波动的影响大于网媒情绪，中央媒体情绪对房价波动的影响大于地方媒体情绪，明星微博情绪对房价波动的影响大于普通微博情绪，媒体语气确定性和报道篇幅对房价波动有正影响，明星城市媒体情绪较非明星城市更易引起房价波动。据此，为防范非理性房价波动，应加强对不同媒体报道的监管。

[关键词] 异质性媒体；媒体情绪；房价波动

一、引言
由于信息不对称程度高，房地产市场通常被视为非有效市场(Evans，1995；Case & Shiller，1989)，越来越多文献研究行为金融与房价的关系(Lai & Van Order，2010；Jin et al.，2014)。研究发现，媒体报道显著影响市场参与者心理行为，产生房价波动(Lambertini et al.，2013；Soo，2015)。现有研究从信息不对称和行为金融角度考察媒体情绪对房价波动的影响，但尚未考察异质性媒体情绪对房价波动的影响。本文使用2000—2015年中国112个城市房价波动和媒体报道月度数据考察异质性媒体情绪对房价波动的影响，不仅丰富了房价波动的行为金融学研究，而且为防范房价泡沫、有效监管媒体报道提供了实证证据。

现有文献主要从信息不对称和行为金融角度研究媒体报道对房价的影响。在信息不对称方面，一部分文献认为媒体报道的信息含量决定了房地产市场价格。Eerola & Lyytikäinen(2015)研究表明，媒体报道所披露的房地产市场交易信息越多、交易越频繁，房价越高。Anglin(1997)发现，媒体报道的信息质量决定房地产市场信息不对称程度。还有文献认为媒体报道内容对不同受众群体有异质性影响，发达地区较欠发达地区房地产市场投资者经验丰富、交易频繁、获取信息成本低，存在“主导—跟随(dominate-follow)”关系(Wu & Deng，2015；Mori，2015)。此外，Mercille(2014)发现，媒体报道向投资者传递了政府和开发商是否对房地产市场持有积极态度的信号，这是2007年爱尔兰房地产市场泡沫的原因之一。

鉴于经济基本面因素对房价上涨的解释力越来越小(Lai & Van Order，2010)，大量文献基于行为金融视角展开研究，发现媒体报道引发的市场情绪可显著影响房价波动。Gayer & Viscusi(2002)研究发现，对危险废弃地的媒体报道不仅可降低居民对废弃地危险程度的心理预期，而且提升了居民对政府清理废弃地的信任水平，从而提升了废弃地附近的房价。Chui et al.(2003)对20世纪90年代REITs市场的惯性效应研究发现，信息传播速度是由投资者过度自信而非信息不对称所导致的。Lambertini et al.(2013)发现，繁荣期新闻报道及其预期占房价预测方差的一半以上。Lambertini et al.(2017)发现，新闻报道对金融市场冲击的乐观预期会使房价上升，预期会产生房地产泡沫。Cheng et al.(2014)发现，房贷证券化代理人既没有利用信息优势抓住住房市场时机，也没有意识到住房泡沫问题，表明投资者信念决定了投资行为。Jin et al.(2014)发现，消费者情绪显著影响房价。Soo(2015)发现，媒体报道情绪对房价有显著影响。Hu & Lee(2020)发现，天气引发的情绪(weather-induced sentiments)显著影响住房市场交易。Abildgren et al.(2018)发现，偏离经济基本面的过度乐观(over optimism)情绪催生房价波动，繁荣期房价波动的15%～20%可以被投资者过度自信解释。

综上，现有研究尚未考察异质性媒体情绪对房价波动的影响。本文余下内容安排如下：第二部分基于异质性媒体情绪提出研究假说，第三部分是数据和实证检验，最后是结论与政策含义。

二、研究假说
网媒通常以市场价值为导向，由于其获取信息成本低、传播速度快、发布门槛低、监管不严，会出现虚假消息、重复转发、恶意炒作等不良现象；但纸媒以新闻价值为导向，背景可靠、监管严格、流程专业，具有较强的权威性和公信力(卢亚和胡翼青，2012)。因此，相比网络媒体，传统纸媒仍为主流舆论场(陈泽艺和李常青, 2017)。既有研究发现，纸媒报道在有效监督大股东侵占行为(贺建刚等，2008)、吸引监管层注意力(李培功和沈艺峰，2010)、改善公司治理水平和内部控制质量(逯东等，2015)等方面均较网媒有更积极的表现，表明纸媒报道更容易在媒体受众中渲染媒体情绪、形成意见环境。张成思和芦哲(2016)也证实上述结论，网媒报道对同一种公众通胀预期的影响远低于纸媒报道。据此，本文提出假说1。

假说1 相比于网媒情绪，纸媒情绪对房价波动的影响更大。

不同类型媒体报道的质量和公信力存在差异。对纸媒而言，中央媒体在行政级别、资源、专业性和客观性方面比地方媒体更具优势，中央媒体报道比地方媒体报道更能提升资本市场信息效率(杨玉龙等，2016)。对网媒而言，微博的认证用户比非认证用户具有更高的知名度和社会影响力，意见领袖作用显著，可显著提升信息传播力(杨学成等，2015)。同样，推特(Twitter)用户的意见领袖赢得大多数网民的认同(Cha et al.，2012)。据此，根据“沉默的螺旋”理论(Noelle-Neumann，1974)，中央媒体和明星微博领袖意见比普通媒体更易形成较强的意见环境和媒体情绪，对价格波动影响更大，据此本文提出假说2。

假说2a 相比于地方媒体情绪，中央媒体情绪对房价波动的影响更大。

假说2b 相比于普通微博情绪，明星微博情绪对房价波动的影响更大。

媒体语气(media tone)影响投资者情绪以及资产定价效率。郑志刚等(2011)基于经理人声誉机制发现，媒体负面报道显著提升公司市场业绩。Soo(2015)以住房新闻正负语字数占比之差构建情绪指标，发现情绪显著影响房价变动。汪昌云和武佳薇(2015)以媒体语气度量投资者情绪发现，相对正面媒体语气，负面媒体语气能更好地解释 IPO 抑价率、首日换手率以及超募比例。综上，尽管现有文献考察正负语气对资产定价的影响，但尚未考察确定性语气对资产定价的影响。实际上，确定性语气向投资者传递了更加确定的信息和信念，投资者可形成更加有效的预期，对价格影响更大。据此，本文提出假说3。

假说3 媒体报道的语气越确定，房价波动越大。

现有文献发现媒体报道字数对投资者行为亦有显著影响。叶德珠和陈霄(2017)通过2012年3月1日至2014年12月1日人人贷的借款订单数据发现，借款表述的字数越多，借款成功率越高，但对违约无显著影响。可见，媒体报道字数越多，描述和分析越专业，信息不对称程度越低，市场有效性越高。据此，本文提出假说4。

假说4 媒体报道字数越多，房价波动越大。

现有文献发现区域信息传播存在“主导—跟随”关系。Wu & Deng(2015)用Google Trend编制的搜索指数发现，房价波动经媒体报道从明星城市传到非明星城市。Zhang & Tang(2016)使用百度指数发现，对一线城市房价的关注仅限于一线城市群，对非一线城市房价的关注限于相邻城市。可见，现有文献仅关注媒体报道的区域溢出效应，而忽视了媒体报道对不同城市房价波动的影响。实际上，明星城市房地产市场交易频繁，信息效率高，媒体报道对明星城市房价波动的影响要大于非明星城市。据此，本文提出假说5。

假说5 相对普通城市，媒体情绪对明星城市房价波动的影响更大。

三、实证检验
(一)数据
囿于数据可得性，本文使用2000—2015年中国112个大中城市(1)包括国家统计局中国70个大中城市和搜房百城新建商品住宅销售价格指数涵盖的所有城市。媒体报道和房价指数月度数据。房价指数来自2005年7月—2015年9月国家统计局70个大中城市和搜房百城新建商品住宅月度销售价格指数。媒体包括纸媒和微博。其中，纸媒报道数据来自《中国重要报纸全文数据库》，本文收集2000年6月—2015年6月中国城市房价相关报道，共2 955条；并从新浪微博平台手工搜集2009年9月—2015年9月关键词为“房价”的微博，共2 245条。(2)《中国重要报纸全文数据库》2000年开始收录，新浪微博2009年8月开始内测。此外，为控制房价波动的其他因素，本文收集月度利率、汇率、沪深300指数和CPI数据，利率数据来自中国人民银行，汇率数据来自国家外汇管理局，沪深300指数来自万得数据库，CPI数据来自各市统计年鉴。

(二)变量定义
首先，本文将月度房价指数利用HP滤波分解出房价时间趋势项和波动项，并将波动项作为因变量。其次，根据媒体报道内容，本文将媒体对房价报道设定“上涨”“下跌”和“不涨不跌”三种情形。参照Garcia(2013)和汪昌云等(2015)的方法，本文构建如下媒体情绪指标：

width=281,height=34,dpi=110
需要指出的是，微博的“转发”可表示信息传播，本文将其作为微博报道增量，则微博报道总量为(1+转发量)。此外，确定性语气是指对房价变动有明确判断和预测。例如，“极大可能下降” “据国家统计局统计显示”“下跌1.93%”。主要变量定义见表1。

(三)模型设定
鉴于住房交易成本高，媒体报道对房价影响具有滞后性，本文构建leads-lags模型。此外，滞后模型可在一定程度上缓解媒体报道与房价的内生性问题(游家兴和吴静，2012)。最后，为避免遗漏变量产生偏误，本文使用固定效应模型。

1.异质媒体情绪与房价波动。

为检验假说1，本文建立如下leads-lags模型：

HPVit+n=α0+α1IMSit+α2PMSit+α3Xit

+α4Cityi+εit

(1)

式中，t表示月份;i表示城市;HPVit+n表示N期后的房价波动项;IMSit表示网媒情绪；PMSit表示纸媒情绪；Xit表示决定房价的其他变量。为控制通胀政策和利率对房价波动影响，本文引入通胀率和5年及以上利率；为控制股市对房价的影响，本文引入股市回报率；为控制外资对房价波动的影响，本文引入汇率。Cityi是城市固定效应。当α2>α1时，纸媒乐观情绪对房价波动影响大于网媒乐观情绪。

同样，为检验假说2，本文构建如下leads-lags模型：

HPVit+n=β0+β1VSit+β2vSit+β3PMSit

+β4Xit+β5Cityi+μit

(2)

HPVit+n=γ0+γ1IMSit+γ2CLSit+γ3Xit

+γ4Cityi+νit

(3)

式(2)检验假说2a，当β1>β2时，明星微博乐观情绪对房价波动的影响大于普通微博乐观情绪。式(3)检验假说2b，当γ2>0时，中央媒体乐观情绪对房价波动的影响大于地方媒体乐观情绪。

表1 变量定义及测度

width=383,height=673,dpi=110
注： ①月度数据λ取值为14 400。②根据中国经济与社会发展统计数据库，一线城市包括北京、上海、广州、深圳和天津。

2.媒体报道语气、字数与房价波动。

为检验假说3和假说4，本文建立如下leads-lags模型：

HPVit+n=λ0+λ1IMSit+λ2CUSit+λ3Xit

+λ4Cityi+ξit

(4)

HPVit+n=φ0+φ1IMSit+φ2WSit+φ3Xit

+φ4Cityi+ζit

(5)

式(4)检验假说3，λ2表示媒体确定性语气对房价波动的影响，式(5)检验假说4，φ2表示媒体报道字数情绪对房价波动的影响。

3.媒体情绪与区域房价波动。

为检验假说5，本文对不同城市建立如下leads-lags模型：

HPVit+n=η0+η1IMSit+η2PMSit+η3Xit

+η4Cityi+υit

(6)

(四)描述性分析
表2显示，房价指数波动项HPV均值为0，最小值为-4.5%，最大值为17.3%，房价时空波动较大。所有媒体情绪指标均值为正，表明媒体情绪总体表现为乐观情绪。CUS，WS和PMS的标准差接近1，表明媒体情绪波动较大。

表2 主要变量的描述性统计

width=736,height=404,dpi=110
(五)基本回归结果
表3显示，首先，纸媒乐观情绪对房价波动的影响大于网媒乐观情绪，验证了假说1。在第一个月，纸媒情绪指数每增加10%，房价指数向上波动0.036%，微博情绪指数每增加10%，房价指数向上波动0.017%。其次，因信息含量和信息不对称随时间降低，媒体情绪对房价波动的影响随时间衰减，但纸媒情绪对房价波动的影响持续时间长于微博情绪，前者持续6个月，后者仅持续1个月，这进一步验证了假说1。前已述及，纸媒多属公共机构，新闻和政策报道较多，而网媒(微博)多属个人而非机构，市场化报道较多，前者公信力通常强于后者，对房价波动影响力更大。因此，为防止媒体乐观情绪引发羊群效应和非理性房价泡沫，应加强对网媒(特别是微博)报道的监管。最后，股指指数、利率、CPI和汇率系数符号基本符合理论预期，提高利率抑制房价向上波动，通胀、人民币贬值以及股指上涨引发房价向上波动。

表4显示，首先，中央媒体乐观情绪对房价波动影响大于地方媒体乐观情绪，验证了假说2a。其次，尽管中央媒体相对地方媒体乐观情绪对房价波动影响随时间衰减，但仍持续五个月。最后，网媒乐观情绪对房价波动的影响小于纸媒乐观情绪，而且仅持续2个月，验证了假说1。

表5显示，尽管第一个月大V乐观情绪对房价波动的影响小于非大V乐观情绪，但大V乐观情绪对房价波动影响持续3个月，非大V乐观情绪对房价波动影响仅持续1个月，表明大V乐观情绪对房价波动的影响较非大V乐观情绪更大、更持久，验证了假说2b。

表6显示，媒体语气越确定，房价波动越大，验证了假说3。同样，尽管纸媒确定性语气对房价波动影响呈衰减趋势，但仍大于网媒确定性语气对房价波动的影响。

表3 异质媒体情绪与房价波动的OLS回归结果

width=736,height=404,dpi=110
说明： *，** 和***分别表示在10%，5%和1%的水平上显著；括号内为t值。为节约篇幅，常数项的相关回归结果已省略。下表同。

表4 中央—地方媒体情绪与房价波动的OLS回归结果

width=736,height=421,dpi=110
表5 不同网媒情绪与房价波动的OLS回归结果

width=736,height=408,dpi=110
表6 媒体语气与房价波动的OLS回归结果

width=736,height=453,dpi=110
表7显示，媒体报道字数越多，房价波动越大，验证了假说4。同样，媒体报道字数情绪对房价波动影响呈衰减趋势。

表7 媒体报道字数与房价波动的OLS回归结果

width=736,height=557,dpi=110
表8和表9显示，一线城市纸媒乐观情绪对房价波动影响不仅较非一线城市大且持久，而且纸媒乐观情绪对房价波动影响大于网媒乐观情绪，验证了假说5。因此，为防止城市房价泡沫，更应注重一线城市媒体乐观情绪对房价波动的影响，加强一线城市媒体报道的监管。

(六)稳健性检验
1.内生性问题。

前已述及，前文leads-lags模型未能完全解决内生性问题。据此，参照Dyck et al.(2008)、郑志刚等(2011)以及杨道广等(2017)的做法，本文以房地产行业媒体报道情绪作为工具变量进行两阶段回归。表10显示，异质媒体情绪变量的2SLS回归结果与OLS回归结果基本一致，表明表3的回归结果是稳健的。同样，除不同性质媒体情绪和媒体语气变量的2SLS回归结果不显著外，明星和普通微博情绪变量、媒体报道字数情绪变量、异质城市情绪变量的2SLS回归结果与OLS回归结果基本一致，表明所有研究假说的OLS回归结果都是稳健的。(3)为节约篇幅，本文只报告研究假说1的稳健性结果，其他研究假说的稳健性结果可向笔者索取。

表8 一线城市媒体情绪与房价波动的OLS回归结果

width=736,height=436,dpi=110
表9 非一线城市媒体情绪与房价波动的OLS回归结果

width=736,height=412,dpi=110
表10 异质媒体情绪与房价波动的2SLS回归结果(4)为节约篇幅，本文只报告第二阶段回归结果，第一阶段回归结果可向笔者索取。

width=736,height=456,dpi=110
2.媒体情绪的叠加效应(overlapping effects)。

因住房交易成本高，本期房价不仅受本期媒体报道的影响，而且受上期媒体报道的影响。换言之，媒体报道对房价波动具有滞后效应和叠加效应。据此，本文引入2个月至6个月移动平均媒体情绪变量maIMSt+n和maPMSt+n，进行稳健性检验。表11显示，媒体情绪对房价波动有显著的滞后效应和叠加效应，纸媒情绪的叠加效应逐月递增，网媒情绪的叠加效应仅维持2个月，但纸媒情绪的叠加效应大于网媒情绪的叠加效应，表明表3和表10的结果是稳健的。同样，中央媒体相对地方媒体情绪对房价波动具有递增的滞后效应和叠加效应；明星微博情绪对房价波动具有递增的滞后效应和叠加效应，但普通微博情绪对房价波动具有递减的滞后效应；纸媒语气对房价波动具有递增的滞后效应和叠加效应，但网媒语气对房价波动具有递减的滞后效应；纸媒报道字数情绪对房价波动具有递增的滞后效应和叠加效应，但网媒报道字数对房价波动具有递减的滞后效应；一线城市和非一线城市媒体情绪对房价波动具有递增的滞后效应和叠加效应，但一线城市媒体情绪的滞后效应和叠加效应大于非一线城市的滞后效应和叠加效应，进一步表明本文的回归结果是稳健的。(5)为节约篇幅，本文只报告异质媒体情绪叠加效应的回归结果，其他媒体情绪叠加效应的回归结果可向笔者索取。

同样，为克服内生性问题，本文以房地产行业媒体情绪移动平均值作为工具变量进行两阶段回归。回归结果显示，除媒体语气以及异质城市媒体情绪外，媒体情绪工具变量的滞后效应和叠加效应2SLS回归结果与OLS回归结果基本一致，表明媒体情绪的滞后效应和叠加效应是稳健的。(6)为节约篇幅，本文未报告媒体情绪工具变量的叠加效应2SLS回归结果，感兴趣读者可向笔者索取。

表11 异质媒体情绪叠加效应的OLS回归结果

width=736,height=470,dpi=110
四、结论与政策含义
媒体报道不仅影响信息不对称，而且影响投资者行为。本文基于异质媒体情绪使用2000—2015年中国112个大中城市媒体报道和房价月度数据，考察媒体情绪对房价波动的影响，得出以下结论。

第一，不同类型媒体情绪对房价波动的影响不同。纸媒乐观情绪对房价波动的影响大于网媒乐观情绪，明星微博乐观情绪对房价波动的影响大于普通微博乐观情绪。因此，为防范非理性房价泡沫，应着重加强对新媒体和自媒体报道的监管，提升新媒体和自媒体的社会责任和公信力。

第二，不同性质媒体情绪对房价影响不同。中央媒体乐观情绪对房价波动的影响大于地方媒体乐观情绪，应加强对中央媒体报道的监管。

第三，媒体报道内容对房价影响不同。媒体语气越确定，房价波动越大，应进一步规范媒体报道基调。媒体报道字数越多，房价波动越大，应进一步规范媒体报道长度。

第三，媒体报道对异质城市房价波动影响不同。明星城市媒体乐观情绪较非明星城市媒体乐观情绪更易引起房价波动。因此，为防范明星城市房价泡沫，监管机构应加强对明星城市媒体报道的监管。

参考文献

陈泽艺、李常青，2017：《媒体报道与资产定价：研究综述》，《外国经济与管理》第3期。

贺建刚、魏明海、刘峰，2008：《利益输送、媒体监督与公司治理：五粮液案例研究》,《管理世界》第10期。

李培功、沈艺峰，2010：《媒体的公司治理作用：中国的经验证据》,《经济研究》第4期。

卢亚、胡翼青，2012：《自媒体时代传统媒体如何进行舆论监督——以“八毛门”事件为例》,《新闻界》第18期。

逯东、付鹏、杨丹，2015：《媒体类型、媒体关注与上市公司内部控制质量》,《会计研究》第4期。

汪昌云、武佳薇，2015：《媒体语气、投资者情绪与IPO定价》，《金融研究》第9期。

汪昌云、武佳薇、孙艳梅、甘顺利，2015：《公司的媒体信息管理行为与IPO定价效率》,《管理世界》第1期。

杨道广、陈汉文、刘启亮，2017：《媒体压力与企业创新》，《经济研究》第8期。

杨学成、兰冰、孙飞，2015：《品牌微博如何吸引粉丝互动——基于CMC理论的实证研究》,《管理评论》第1期。

杨玉龙、吴明明、王璟、吴文，2016：《异质性媒体与资本市场信息效率》,《财经研究》第3期。

叶德珠、陈霄，2017：《标点与字数会影响网络借贷吗——来自人人贷的经验证据》，《财贸经济》第5期。

游家兴、吴静，2012：《沉默的螺旋：媒体情绪与资产误定价》，《经济研究》第7期。

张成思、芦哲，2016：《不对称的螺旋：媒体情绪与通胀预期传染》，《财贸经济》第6期。

郑志刚、丁冬、汪昌云，2011：《媒体的负面报道、经理人声誉与企业业绩改善——来自我国上市公司的证据》，《金融研究》第12期。

Abildgren, K., N.L.Hansen, and A.Kuchler, 2018, “Over Optimism and House Price Bubbles”, Journal of Macroeconomics, 56:1-14.

Anglin, P.M., 1997, “Determinants of Buyer Search in a Housing Market”, Real Estate Economics, 25(4):567-589.

Case, K.E.，and R.J.Shiller, 1989, “The Efficiency of the Market for Single-family Homes”, American Economic Review, 79(1):125-137.

Cha, M., F.Benevenuto,H.Haddadi, and K.Gummadi, 2012, “The World of Connections and Information Flow in Twitter”, IEEE Transactionson Systems, Man, and Cybernetics, 42(4):991-998.

Cheng, I.H., S.Raina, and W.Xiong, 2014, “Wall Street and the Housing Bubble”, American Economic Review, 104(9): 2797-2829.

Chui, A.C.W., S.Titman, and K.C.J.Wei, 2003, “Intra-industry Momentum: The Case of REITs”, Journal of Financial Markets, 6(3):363-387.

Dyck, A., N.Volchkova, and L.Zingales, 2008, “The Corporate Governance Role of the Media: Evidence from Russia”, Journal of Financial Research, 63(3):1093-1135.

Eerola, E.,and T.Lyytikäinen, 2015, “On the Role of Public Price Information in Housing Markets”, Regional Science and Urban Economics, 53:74-84.

Evans, A.W., 1995, “The Property Market: Ninety Per Cent Efficient”, Urban Studies, 32(1):5-29.

Garcia, D., 2013, “Sentiment during Recessions”, Journal of Finance, 68(3):1267-1300.

Gayer, T.,and W.K.Viscusi, 2002, “Housing Price Responses to Newspaper Publicity of Hazardous Waste Sites”, Resource and Energy Economics, 24:33-51.

Hu, M.R.,and A.D.Lee, 2020, “Outshine to Outbid: Weather-induced Sentiment and the Housing Market”, Management Science, 66(3):1440-1472.

Jin, C., G.Soydemir, and A.Tidwell, 2014, “The U.S.Housing Market and the Pricing of Risk: Fundamental Analysis and Market Sentiment”, Journal of Real Estate Research, 36(2):187-219.

Lai, R.N.,and R.A.Van Order, 2010, “Momentum and House Price Growth in the United States: Anatomy of a Bubble”, Real Estate Economics, 38(4):753-773.

Lambertini, L., C.Mendicino, M.T.Punzi, 2013, “Expectation-driven Cycles in the Housing Market: Evidence from Survey Data”, Journal of Financial Stability, 9(4):518-529.

Lambertini, L., C.Mendicino, M.T.Punzi, 2017, “Expectations-driven Cycles in the Housing Market”, Economic Modelling, 60:297-312.

Mercille, J., 2014, “The Role of the Media in Sustaining Ireland’s Housing Bubble”, New Political Economy, 19(2):282-301.

Mori, M., 2015, “Information Diffusion in the U.S.Real Estate Investment Trust Market”, Journal of Real Estate Finance and Economics, 51(2):190-214.

Noelle-Neumann, E., 1974, “The Spiral of Silence: A Theory of Public Opinion”, Journal of Communication, 24(2):43-51.

Soo, C.K., 2015, “Quantifying Animal Spirits: News Media and Sentiment in the Housing Market”, SSRN Working Paper.

Wu, J.,and Y.Deng, 2015, “Intercity Information Diffusion and Price Discovery in Housing Markets：Evidence from Google Searches”, Journal of Real Estate Finance and Economics, 50(3):289-306.

Zhang, Z.,and W.Tang, 2016, “Analysis of Spatial Patterns of Public Attention on Housing Prices in Chinese Cities: A Web Search Engine Approach”, Applied Geography, 70:68-81.

MEDIA SENTIMENT AND HOUSING PRICE VOLATILITY
KUANG Wei-da1 ZHANG Si-han2 ZHANG Zhang3

(1.School of Business, Renmin University of China; 2. School of Economics and Management, Beijing Information Science and Technology University; 3. College of Biochemical Engineering, Beijing Union University)

Abstract: Employing the monthly data of media coverage and housing price indices of 112 large and medium cities in China from 2000 to 2015, this paper studies how heterogeneous media sentiments influence housing price volatility. The results show that the influence of newspaper sentiments on housing price volatility is greater than that of internet media sentiments, the national newspaper sentiments have greater effects than local newspaper sentiments, and the certified blogger sentiments have greater effects than uncertified blogger sentiments. The tone and length of media coverage positively affect housing price volatility. Finally, the media sentiments have greater effects in the first-tier cities than in other cities. Therefore, to prevent irrational housing price volatility, different media coverage should be regulated differentially.

Key words: heterogeneity of media; media sentiment; housing price volatility