Financial risk forecasting : A case study of the Finnish housing market

Abstract

The housing market sector is an essential component of the economy of most developed countries. Forecasting house price movements is crucial for investment decision making, designing housing policies, asset allocation, and risk management. This dissertation aims to examine whether the Finnish house prices of fifteen main regions display constant or time-varying variances. Depending on whether the variance is constant or time-varying, a time-series generating process will be established that provides superior forecast. Finally, the thesis aims to offer to the market players an outlook of the Finnish housing markets. The methodology used compares the Autoregressive Moving Average (ARMA) models and AR Fractionally Integrated MA (ARFIMA) models for regions with constant variances. For regions with time-varying variances, two classes of time-series volatility models are compared: Generalised AR Conditional Heteroscedasticity (GARCH)-type and Stochastic Volatility (SV) models.

The study outcomes reveal strong evidence of clustering effects in the house price returns of most of the studied regions. The two models for modelling house price returns for areas with homoscedastic errors yield mixed results in the in-sample performance. In out-of-sample (forecasting), ARFIMA models tend to outclass ARMA models in return predictions. In areas with time varying volatility, models accounting for leverage yield the best in-sample fits for both deterministic and stochastic volatility models. However, in forecasting (out-of-sample) price changes and volatilities of these regions, the GARCH-types models outperform their SV counterparts. Regarding the Finnish housing market outlook, it is predicted that most regions will experience continuous growth in the 2019 – 2021 period. However, some areas are expected to experience a decline in house price returns and a high price fluctuation.

Väitöskirjassa tutkitaan asuntojen hintojen volatiilisuuden aikariippuvuutta. Aineisto koostuu viideltätoista eri asuntoalueelta Suomesta. Sen mukaan, osoittautuuko hintavaihtelu aikariippuvaksi tai vakioksi, mallinnetaan hintasarjojen generointiprosessi, jota voidaan hyödyntää parhaiden ennusteiden tuottamisen tukena. Tutkimuksen tarkoituksena on myös tarjota markkinaosapuolille näkemys Suomen asuntomarkkinoiden tulevaisuudenkuvasta. Alueilla, joilla volatiilisuus osoittautuu vakioksi, tutkimuksessa verrataan autoregressiivisen liukuvan keskiarvon (ARMA) mallien ja fraktionaalisten integroituneiden ARMA-mallien (ARFIMA) ennusteominaisuuksia. Alueilla, joissa volatiilisuus osoittautuu ajasta riippuvaiseksi, verrataan kahta eri volatiliteetin mallintamistapaa: yleistettyä autoregressiivistä ehdollista heteroskedastisuusmallia (Genetralized AutoRegressive Conditional Heteroskedasticity GARCH) ja stokastisen volatiliteetin (SV) mallia. Tutkimuksen tulokset osoittavat vahvasti, että hintavaihtelu on aikariippuvaista useimmilla tutkituista alueista. Alueilla, joilla hintavaihtelu (hintojen tuottosarja) ei ole aikariippuvaista, ARFIMA- ja ARMA-mallit tuottavat kahtalaisia tuloksia asunnon koon ja ennusteiden mukaan. Ennusteissa pitkän aikavälin riippuvuuksia huomioiva ARFIMA osoittautuu ARMA-mallia paremmaksi. Alueilla, joissa hintavaihtelu on aikariippuvaista, niin sanottu leverage-efekti osoittautuu tärkeäksi komponentiksi volatilisuuden mallintamisessa niin deterministissä kuin stokastisessakin tapauksessa. Näillä alueilla deterministisen prosessin GARCH-mallit tuottavat kuitenkin parempia volatiliteettiennusteita kuin SV-mallit. Suomen asuntomarkkinoiden näkymien suhteen tutkimusten tulokset antavat olettaa, että useimmilla alueilla markkinoiden kasvu jatkuisi periodilla 2019–2021. Hintojen nousun ja sitä kautta tuottojen kasvun voidaan odottaa kuitenkin laantuvan joillakin alueilla ja samalla hintojen vaihtelun lisääntyvän.