The linked movement of house price and stock price with shocks Yoon, Jae-Ho 2017. 5.18 http://sites.google.com/site/beowulfkorea/

Ⅰ. Introduction Ⅱ. Model Ⅲ. Data Ⅳ. Empirical Results Ⅴ. Conclusion

The Purpose of this paper 1. Introduction Motivation The relationship between house price and stock price has been assumed to be positive and linear in the long run. However, Okunev, J and Wilson, PJ (1997) found that real estate and equity markets are segmented with linear test, whereas the markets are fractionally integrated with nonlinear model. McMillan (2012) also found that house price and stock price are nonlinear co-integrated in the long run. The Purpose of this paper To find out whether there are really co-movements between house price and stock price for U.S. and U.K..

The findings of this paper 1. Introduction Methods To establish the nonlinear relationship between house and stock price, we adopt Markov-Switching Model by Hamilton (1989) To find the common co-movement of house price and stock price for U.S and U.K, we adopt FIML Markov-Switching Model by Yoon (2006). The findings of this paper House price for U.S. and U.K. showed common business cycle with stock price during the 1970s, 1990s oil shocks periods. House price is also procyclical in movement with stock price during 1980s, IT bubble collapse and housing bubble burst in 2008. => International big shocks, such as oil shocks and the burst housing bubble in 2008, cause common business cycle of house price and stock price for U.S. and U.K..

2. FIML Markov-Switching Model proposed by Yoon , 2. FIML Markov-Switching Model proposed by Yoon Where,

2. Derivation of the FIML Markov Switching Model Step 1 : At the beginning of the tth iteration is given. And, we calculate where are the transition probabilities. Step 2 : Consider the joint conditional density of from which the marginal density of where the conditional density where , is the tth row of the Y matrix. is the tth row of the Z matrix.

2. Derivation of the FIML Markov Switching Model Step 3 : is observed at the end of time t, we update the probability terms: As a byproduct of the above filter in Step 2, we obtain the log likelihood function:

3. Data (quarterly) – U.S. Variables t=1970:II to 2016:III from Finance Yahoo site BIS Residential Property Price database Yt, is the log of Dow Jones Industrial Index Ht is the log of Housing Price Index in the U.S. Equation Where:

3. Data (U.S.) Dow Jones Industrial Index Y and House Price H in the U.S. Dow Jones Industrial Index △Y and House Price △H in the U.S. *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

4. Empirical Results (U.S.) (Hamilton model) Probabilities of regime 1 for 1970:II~2016:III *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

4. Empirical Results (Hamilton model) MLE of the Hamilton model in the U.S.: (1970.II~2016.III) *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

5. Data (quarterly) – U.K. t=1970:II to 2016:III from OECD database Variables t=1970:II to 2016:III from OECD database BIS Residential Property Price database Yt, is the log of Total Share Prices for All Shares Index Ht is the log of Housing Price Index in the U.K. Equation Where:

5. Data (U.K.) Total Share Prices for All Shares Index Y and House Price H in the U.K. Total Share Prices for All Shares Index △Y and House Price △H in the U.K. *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

6. Empirical Results (U.K.) (Hamilton model) Probabilities of regime 1 for 1970:II~2016:III *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

6. Empirical Results (Hamilton model) MLE of the Hamilton model in the U.K. : (1970.II~2016.III) *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

7. Empirical Results ( U.S. & U.K.) (Yoon model) Probabilities of regime 1 for 1970:II~2016:III *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

7. Empirical Results (Yoon model) MLE of FIML Markov Switching Model (U.S. & U.K.) (1970.II~2016.III) *숫자에 대한 Confirm 필요 연 1회 이상이라는 것을 어딘가 달을 것 1회도 안 쓴 사람이 37%나 된다라는 식으로 말을 풀 것 해당 표가 없어져 대응 안해도 됨 연 건당 조회수 : 만들었음 연 조회수 평균도 노랗게 평균 다시 계산 같은 부류끼리 모아서 놓을 것 위의 분류 그룹핑 연평균으로 계산하자… 실제 이용자로 나누어볼 수 있음 건당 이용자 조회수 시스템별로 차별 (이용율의 차이)가 엄청나게 난 다는 것을 어딘가 표현해 줄 것

8. Conclusion The findings of this paper are as follows: house price is procyclical in movement with stock price during 1970s’ and 1990s’ oil shocks periods, and house price is also procyclical in movement with stock price during 1980s, IT bubble collapse and financial shock in 2008. These results showed that international big shocks, such as oil shocks and the burst housing bubble in 2008, cause common business cycle of house price and stock price for U.S. and U.K..