Europa: welk land zet de trend in huizenprijzen?
In deze nieuwsbrief:
Een overzicht van ontwikkeling van huizenprijzen in Europa
Met econometrische modellen inzicht in welke landen de prijzen als eerste stijgen of dalen en welke landen ze volgen
Welk land moet je in de gaten houden als je wilt weten wat de huizenprijzen in Nederland gaan doen? Of wil je gaan investeren in buitenlands vastgoed? Dan zijn deze analyses en modellen interessant om in de gaten te houden.
Momenteel trainen we het model voor het voorspellen van Europese huizenprijzen (onder andere op basis van deze analyses), deze voorspellingen zullen binnenkort ook hier worden gedeeld.
Een overzicht van huizenprijzen in Europa
De ontwikkeling van de huizenprijzen in Europa vertoont een divers beeld. In sommige landen, zoals Hongarije, stijgen de prijzen zelfs sneller dan in Nederland, terwijl in andere landen, zoals Italië, de prijzen sinds 2014 vrijwel stabiel zijn gebleven. De bijgevoegde grafiek illustreert de prijsontwikkeling van huizen in alle EU-landen (interactieve grafiek hier).
Welke huizenprijzen leiden en welke huizenprijzen volgen
Men kan zich voorstellen dat in bepaalde landen de prijzen vooruitlopen op andere. Inzicht hierin kan verkregen worden met behulp van econometrische technieken. Een dergelijke techniek is het onderzoeken van Granger-causaliteit.
Granger causaliteit is een manier om te zien of één reeks gegevens (bijvoorbeeld de temperatuur) helpt om een andere reeks gegevens (bijvoorbeeld ijsverkoop) te voorspellen. Als de temperatuur helpt om de ijsverkoop beter te voorspellen dan alleen de ijsverkoop zelf, dan zeggen we dat de temperatuur Granger-causaal is voor de ijsverkoop. Het betekent niet dat de temperatuur de ijsverkoop veroorzaakt, maar dat er een voorspellende relatie is tussen de twee. In dit geval kijken we dus of er een reeks huizenprijzen is (van een specifiek land) die kan helpen om andere reeks van huizenprijzen (van een ander land) kan helpen voorspellen.
We kunnen die relatie visueel maken in een zogenaamde Granger causaliteit matrix. Een Granger causaliteit matrix laat zien welke tijdreeksen elkaar helpen voorspellen. In deze matrix staan de tijdreeksen in zowel de rijen als de kolommen. Als een cel in de matrix aangeeft dat tijdreeks (X) Granger-causaal is voor tijdreeks (Y), betekent dit dat de waarden van (X) nuttig zijn voor het voorspellen van de toekomstige waarden van (Y).
Onderstaande matrix toont de matrix voor Europese huizenprijzen (interactieve versie hier). In deze matrix kan je voor elke land de prijzen van een ander land volgen. Als je bijvoorbeeld wilt zien welke landen de prijzen in Belgie (BE) volgen dan zie je onder kolom BE dat met name prijsontwikkeling in Frankrijk (FR) interessant is om Belgie te voorspellen.
Een aantal observaties;
De Europese vastgoedmarkt is versnipperd; geen enkel land bepaalt de trend voor de rest van Europa. Deze matrix is daarom waardevol om bij te houden als je interesse hebt in Europees onroerend goed, omdat je direct kunt zien tussen welke landen er een verband bestaat in de huizenprijzen.
De prijzen van de Duitse huizenmarkt (DE) is opvallend genoeg leidend voor vele andere Europese landen, onder andere voor BG (Bulgrarije), ES (Spanje), en IS (IJsland).
Buurlanden zijn ook vaak leidend. Merk hier wel op doordat we naar causaal verband kijken dat dit maar één richting op werkt. Zo zijn de prijzen in Finland (FI) Granger causal voor Noorwegen (NO) maar niet andersom.
Op deze manier kan je dus met een Granger causality matrix snel zien in welk Europees land de ontwikkelingen in prijzen nuttig zijn voor het land van interesse.
Voorspellingen Europese huizenprijzen
We zijn momenteel bezig met het trainen van onze modellen voor het voorspellen van Europese huizenprijzen. De resultaten van deze voorspellingen zullen in een toekomstige update van de nieuwsbrief worden gepubliceerd. Bovendien zullen de modellen niet alleen worden getraind op relevante huizenprijzen, maar ook op Google Trends-data, economische gegevens van het betreffende land en prijzen van financiële markten.