管 理 與 系 統 Journal of Management & Systems

第廿九卷 第四期 民國一一一年十月 Vol. 29, No. 4, October 2022

495-523 頁 pp. 495-523

*
房市參與者之關注會影響房價嗎？
Will Attention of Market Participants Influence Housing
Prices?

楊茜⽂ 1 Chien-Wen Yang 朱芳妮 2 Fang-Ni Chu

逢甲⼤學財務⾦融學系 國立政治⼤學地政學系

呂少毫 3 Shao-Hao Lu 陳明吉 4 Ming-Chi Chen

台灣新光商業銀⾏ 國立政治⼤學財務管理學系

1
Department of Finance, Feng Chia University, and 2 Department of Land
Economics, National Chengchi University, and 3 Shin Kong Bank and 4
Department of Finance, National Chengchi University

(Received March 9, 2021; Final Version July 7, 2021)

摘要：人對於大量訊息資料的關注是有限並且是選擇性的，使得關注力在何處成為決策的重
要因素。本文探討房市參與者的關注是否會影響房價，採用 Google Trends 搜尋引擎的關鍵
字搜尋量為代理變數，建構五個關注指標以測試 2006 年至 2019 年的台北市房市參與者之
關注與房價關係。實證結果確認台灣的房市參與者關注會影響房價，關注增加會導致房價上
升。進一步將樣本以時間區分成房價上升與平穩兩時期，發現市場參與者的關注有不對稱情
形，在房價上升期較有影響力。本文最後比較關注與情緒兩指標對房價的預測能力，發現兩
者預測能力接近，但關注模型的預測能力會略優於情緒模型。

關鍵詞：認知假說、有限關注、Google 搜尋量指數、房價

Abstract: Investor attention to a large amount of information is limited and selective, making where
attention is an important factor in decision-making. We explore whether the attention of housing
market participants will affect housing prices. The search volume of keywords using the Google

本文之通訊作者為朱芳妮，e-mail: fnchu@nccu.edu.tw。 doi:10.29416/JMS.202210_29(4).0004

本研究感謝科技部專題研究計畫補助，編號 107-2410-H-992 -047 -MY2。
496 管理與系統

Trends search engine are the proxy variables to construct five attention indicators to test the
relationship between the attention of participants and housing price in the Taipei housing market from
2006 to 2019. The empirical results confirm that the attention of market participants will affect house
prices, and the increase in attention will cause house prices to rise. Divided price sample to rise and
stable stage, we found that the attention of participants is asymmetry, which is more influential in the
period of house price rise. We also compare the indicators of attention and sentiment on the predictive
ability of house prices. The results show that the predictive ability is close. The predictability in
attention model is slightly better than sentiment model.

Keywords: Investor Recognition, Limited Attention, Google Trends, Google SVI, Real Estate Price

1. 前言

除了傳統理論以基本面變數解釋資產價格的變化外，近年許多文獻則以非理性因素來解
釋，其中投資人情緒 (investor sentiment) 已經被證實在資產定價中扮演了重要的角色。相較
於投資人情緒，投資人關注 (investor attention) 也是影響資產定價的另一個關鍵要素。投資人
情緒被視為是整體市場的情緒，而投資人關注是構成市場情緒的要素之一。故此，投資人關
注會影響市場情緒的變化；反之，市場情緒不見得會對投資人關注產生影響 (Mbanga et al.,
2019)。
由於每個人處理資訊的能力有限，容易受到吸引其注意力、目光的新聞、其餘大眾媒體
或廣告等資訊所影響，投資人的有限能力所產生的有限關注 (limited attention)，其所導致的類
別學習行為 (category-learning behavior)，將使有限關注的投資人傾向於分配更多的關注在整
體市場及各產業別的總合資訊，而不是屬於各家公司的特定資訊 (Peng and Xiong, 2006)。因
此，相較於投資人情緒，投資人關注隱含了人類學習行為的有限能力，而此有限能力會左右
投資人的資訊取得，不僅會導致市場參與者的高異質性，也會透過個人決策的差異而影響市
場的變化。關於投資人關注在金融及不動產市場的研究，包括以下面向：投資人關注與股價
指數報酬的關聯性 (Amin and Ahmad, 2013; Da et al., 2011; Mbanga et al., 2019)、投資人關注
與股票的流動性 (Amin and Ahmad, 2013; Ding and Hou, 2015)、投資人關注對不對產投資信託
(Real Estate Investment Trusts, REITs) 報酬的影響 (Chen et al., 2020; Yung and Nafar, 2017)，以
及投資人關注對不動產價格及交易量的影響 (Dietzel et al., 2014; Wu and Brynjolfsson, 2015)。
衡量投資人關注的方式有兩種，第一種是被動的投資人關注 (passive investor attention)，
第二種為主動的投資人關注 (active investor attention)。關於被動的投資人關注，由於投資人的
資訊接收能力有限，無法主動觀看及閱覽所有的廣告及新聞，因此只能假定投資人被動的接
 房市參與者之關注會影響房價嗎？ 497

收到這些資訊。故此，過去文獻常使用股票極端報酬、交易量、公司的廣告費用及新聞媒體報
導來當作被動的投資人關注的代理變數 (Barber and Odean, 2008; Fang and Peress, 2009;
Grullon et al., 2004)。另一種投資人關注：主動的投資人關注描述投資人主動去搜尋相關資訊，
隨著網路科技的發達，當投資人對於某家公司、某檔股票或某個資產有興趣時會主動上網搜
尋相關資訊，由於是投資人主動搜尋該標的，因此投資人在網路的搜尋詞彙即可被當作是投
資人主動關注的代理變數。主動的投資人關注之相關研究，在 Google 公司開放讓使用者自
該網站依各種搜尋關鍵字建構搜尋量指標後而開始受到重視 (Choi and Varian, 2012)。本研究
即是以主動的投資人關注為理論基礎，尤其是不動產市場的異質性高以及關鍵字的建立也會
因各國語言與房市制度的差異而有所不同，我們嘗試以不同面向的關鍵字建立關注指標亦為
本研究貢獻之一。
Chrome 瀏覽器所屬的 Google 公司從 2004 年開始提供 Google Trends 的資料庫服務，
讓使用者可使用該網站得到各個搜尋詞的搜尋量，2015 年改版後，提供一時間序列的搜尋趨
勢圖與標準化後的搜尋指數，即 Google 搜尋量指數 (Google Search Volume Index, Google
SVI)。1近年來許多國外學者使用 Google SVI 為投資人關注指標，並對證券市場進行分析，
探究投資人主動關注與證券市場的關聯性，如 Da et al. (2011) 與 Huang et al. (2020) 等。除
了證券市場，也有學者將 Google 關注指標應用在不動產領域，探究投資人關注是否能提升
模型對於房屋價格及交易的預測能力 (Dietzel et al., 2014)。
在開始有網路搜尋量資料後，不同於過去文獻純以技術性角度，將搜尋量納入預測模型
檢驗關注度的預測能力，本研究以有限關注理論為基礎，使用 Google 搜尋量指數，即 Google
SVI 為關注代理變數，探究台灣地區市場參與者2之關注對於房價之關聯性。本文首先建構市
場參與者關注指標，探究房市參與者關注對於房價是否具有影響性，其次藉由使用不同的網
路搜尋關鍵字建構出不同面向的關注指標，分析不同面向的市場參與者關注對於房價的影響。
進一步，我們分析市場參與者關注在房價處於上升或平穩期間，是否有相同影響效果。最後，
本文比較市場參與者關注與投資人情緒對房價的預測的能力。
由於資產價格變化難以完全以理性因素解釋，特別是台灣房市高房價的情況，非理性因
素之影響可能尤為重要，因此本研究的第一個貢獻會在可以了解到台灣房市參與者之關注心
理是否會影響到房價，進一步的貢獻則本研究的發現會是政府、產業與購屋者在房市決策上
很好的參考，特別是在疫情時期心理因素對市場變化影響甚巨，更顯本研究之重要性。
以下本文分為四部分，除前言外，第二部分為有限關注文獻回顧，第三部份為研究模型、

1 關於 Google 搜尋量指數與其在不動產市場應用的說明請見附錄 A。
2 本文使用「市場參與者」而不使用文獻所用「投資人」是因為房市投資門檻較高，搜尋者不見得有能
力進入房市購屋，只是對房市買賣關注。
498 管理與系統

研究設計，以及說明如何使用 Google 搜尋量建構關注指標，第四部分為實證分析，最後為結

論與建議。

2. 文獻回顧

近來有許多文獻驗證投資人關注會對資產定價或是報酬產生影響 (Amin and Ahmad,

2013; Barber and Odean, 2008; Chen et al., 2020; Da et al., 2011; Dietzel et al., 2014; Ding and Hou,
2015; Mbanga et al., 2019; Peng et al., 2007; Wu and Brynjolfsson, 2015; Yung and Nafar, 2017)，
最早是 Merton (1987) 提出了投資人認知 (investor recognition) 這個概念，有學者就以實證來
證明投資人認知確實存在。而 Peng and Xiong (2006) 提出因為投資人的有限關注而產生所謂
的類別學習行為。以下就投資人認知及投資人關注兩個概念說明過往學者衡量投資人關注方
式。

2.1 投資人認知假說
Merton (1987) 建出一個不完全資訊 (incomplete information) 條件下的資產定價模型，提
出投資人認知的概念，認為傳統基於無摩擦市場及完全資訊所建出的財務模型往往不足以去
捕捉理性行為的複雜性。傳統的資產定價模型是假設投資人可以在接收到所有公開資訊的當
下立即反應，然而 Merton (1987) 則認為投資人只會知道一部分的資訊，每位投資人的關注有
限，只會知曉市面上流通股票中的些許股票，且每位投資人所知的股票標的不盡相同，故有
些股票是較鮮為人知的。作者的模型說明投資人的認知對於公司投資及財務決策的影響。
Forester and Karolyi (1999) 使用 Merton (1987) 資產定價模型中的市場不完全性因子
(market incompleteness factor) 針對美國存託憑證 (American Depositary Receipts) 上市股票進
行實證分析，發現較高程度的投資人認知與股票上市前及上市後期間的不尋常模式顯著相關。
Lehavy and Sloan (2008) 針對 Merton (1987) 所提出的投資人認知假說進行實證分析，實證結
果與 Merton (1987) 的理論分析一致，同期的股票報酬與投資人認知有正向關係，未來的股票
報酬與投資人認知有負向關係，且在股票有更大非系統風險的情況下上述股票報酬與投資人
認知的關係更加強烈。所以除了會計及基本面資訊，投資人的認知對於公司的評價也是決定
的要素之一。
近來許多學者將 Merton (1987) 所提出的投資人認知理論中有提及關於投資人關注有限
的這個說法衍伸成為投資人有限關注的概念，進行了一些投資人關注的實證研究 (Amin and
Ahmad, 2013; Barber and Odean, 2008; Da et al., 2011; Ding and Hou, 2015; Yung and Nafar, 2017)。

2.2 投資人有限關注
 房市參與者之關注會影響房價嗎？ 499

很多心理學的研究說明人們其實存在有限關注，每個人的關注及認知能力是有限的，無
法處理所有公開的相關資訊，只能在既定時間內針對自己接收到的訊息處理後加以應對。在
金融市場面對大量的資訊，有限關注的投資人必須選擇性的處理資訊，依照優先或是立即性，
他們從市場層面或是資產特性的資訊擇一來處理。Peng and Xiong (2006) 說明投資人的有限
關注導致了類別學習行為，在每個人關注有限的情況下投資人傾向於分配更多的關注到整體
市場及產業別的資訊而不是公司特定的資訊。在一些嚴格限制下的案例中，投資人只關注到
整體市場及產業資訊。作者也將投資人的過度自信衡量進來，作者認定過度自信為投資人誇
大自身資訊處理的能力，使得投資人過度預期他們資訊的準確度。Peng et al. (2007) 透過分析
股票市場中道瓊 30 以及標普 500 對於總體經濟衝擊的反應，實證結果發現，總體經濟的衝
擊對於市場的波動性有持續性效果，並且資產報酬的連動性高達五天。這代表著資訊流在金
融市場是確實有限的，也發現當投資人在突然面對市場未來走向不確定性時，會轉移更多的
關注到整體市場層面的資訊。Barber and Odean (2008) 驗證個體投資人是吸引關注的股票
(attention-grabbing stock) 淨買方的這個假說。由於投資人在搜尋數千個股票面臨的困難產生
了這種受到關注影響所導致的結果。不過個體投資人在賣股票時就沒有這種困境，因為他們
只能賣出自身持有的股票。作者認為很多投資人起初只會買吸引到他們關注的股票，所以關
注影響股票的選擇偏好。

2.3 使用 Google 搜尋量指數分析資產市場之研究

有不少研究單純使用 Google SVI 以改進資產市場的預測能力，如 Wu and Brynjolfsson

(2015) 使用 Google 搜尋量資料來研究美國不動產市場，發現 Google 的搜尋量跟房屋銷售
量及 Case-Shiller Index 房價指數有關連性，搜尋詞彙的頻率可以被用來預測未來的房屋銷售。
當不動產經紀人 (estate agent) 的搜尋次數增加 1%，每季的美國房屋銷售會增加額外 67,700
戶。房價跟網路上相關的房屋搜尋量也有正向的關係，這反映出購屋者在實際購買前會上網
搜尋房屋資訊。在國內林左裕（民 108）應用網路搜尋行為預測房地產市場，此文以 Google
Trends 搜集之搜尋引擎指數作為自變數，加入傳統不動產市場之計量模型，結果發現 Google
Trends 指數對於房地產之價格及交易量均存在顯著領先之關係。
再進一步基於有限關注理論使用關鍵字搜尋量資料來當作直接的投資人關注代理變數，
最具代表性的一篇是 Da et al. (2011) 以 Google SVI 衡量投資人關注的指標，稱之為搜尋量
指數，此指標更具即時性，且可以抓取個體投資人的關注。過往有以廣告費用、新聞等資訊來
當作投資人的關注代理變數，但這些是間接的，因為每位投資人關注有限，無法閱覽或是觀
看到所有的廣告及新聞，所以只能推估公司的廣告及新聞媒體資訊有被投資人所獲取，因此
上述所抓取到的是間接的投資人關注，或是稱為被動投資人關注。相反的，Google SVI 所抓
500 管理與系統

取到的是投資人主動關注，畢竟關鍵字是投資人親自上網搜尋資料所使用的，輸入的關鍵字
一定是他們有興趣或是關注的標的資產。此觀點受到了許多學者的認可，因而後續投資人關
注的實證分析眾多學者皆使用 Google SVI 來當作主動的投資人關注代理變數。
至於 Google SVI 是捕捉到誰的關注，Da et al. (2011) 針對 Barber and Odean (2008) 所
提出的關注理論 (Attention Theory) 做了一些實證研究，實證結果證實 Google SVI 捕捉到的
是個體投資人的關注，由於個體投資人是淨買方，買股時能考慮的標的很多，但賣股時只能
賣出持有的現貨，所以個體投資人的關注會使股價上升，但長期股價會回檔。國內文獻，李永
隆等（民 106）實證發現 Google SVI 與股價報酬和成交量有正相關，且其程度在低市值公司
的強度要大於高市值公司。
在 REITs 與投資關注的研究，Yung and Nafar (2017) 檢驗投資人關注對於 REITs 報酬
的影響。他們以 Google SVI 視為投資人關注度，發現投資人關注增加，投資人對股票的認知
上升會導致較高的報酬。Chen et al. (2020) 使用商業不動產市場中承租人和出租人的關係來
評估究竟 REITs 的未來報酬會不會受系統性因素影響（財務上的報酬表現或是出租人的營運
不透明度）
，作者發現投資人的有限關注影響報酬的可預測性，結論是投資人的有限關注導致
REITs 的價格無法完全反映承租人的報酬估值。關於實體不動產投資之研究，Beracha and
Wintoki (2013) 使用 Google SVI 來衡量美國房市情緒，實證結果顯示出特定城市的房價非常
規地變動會伴隨著該城市非常規的房屋相關字彙搜尋量的變動，此具經濟上的意義特別是對
那些可開發土地的供給是非彈性的城市，並且此結果對於房市的動能及人口成長都是穩健的。
Dietzel et al. (2014) 檢驗 Google Trends 的網路搜尋資料被用來當作情緒指標及改善商用不動
產預測模型對於交易及價格指數的預測能力。實證結果顯示出加入 Google 搜尋量指數的模
型，在結合總體經濟及網路搜尋量資料後，顯著的勝過沒有加入網路搜索資料的基準模型；
同 樣 支 持 Google 搜 尋 量 可 以 提 升 房 市 模 型 預 測 力 的 文 章 亦 可 參 考 Webb (2009) 與
McLaren and Shanbhogue (2011)。上述研究顯示 Google 搜尋量資料可以被當成一個市場的先
行指標，把 Google 搜尋量資料包含在模型內可以顯著的改善模型的預測準確性，也代表
Google 的搜尋資料適合用來衡量不動產市場。3

2.4 投資人關注與投資人情緒的差異

對於投資人關注與投資人情緒的關聯性，究竟兩者有什麼不同。Mbanga et al. (2019) 主

要探究投資人關注與投資人情緒之間的關係，以及投資人情緒對整體市場股票報酬的影響，
作者使用 Google SVI 來當作投資人關注，使用兩個市場情緒指標：聖路易斯聯邦儲備銀行金
融壓力指數與芝加哥期交所的 VIX 指數（恐慌指數）來當作投資人情緒，之後針對道瓊、標

3 Limnios and You (2021) 則發現納入 Google 搜尋量的線性模型無法顯著提升模型的預測能力。

 房市參與者之關注會影響房價嗎？ 501

普 500、那斯達克進行實證分析。實證結果發現投資人關注導致投資人情緒改變，但反之就
不是如此，所以投資人關注是投資人市場情緒的影響因素之一。投資人關注對於市場情緒的
影響，在中、大型股是短期的，在小型股則是有持續效果。作者發現投資人關注在市場情緒與
總體股票報酬的連結中是一個重要的中介角色。

2.5 不動產市場關注指標

由於本研究所要探討的為不動產市場，故以下說明幾位學者在使用 Google Trends 搜尋

量數據建構關注指標來進行不動產市場研究時，如何設計關鍵字及所要探討的問題為何。如
表 1 所示，過往學者研究不動產領域所建構的搜尋量指數不盡相同，主要有三種方式，第一
種是直接使用 Google 內建分類的搜尋量數據，第二種是自行設定關鍵字後去抓取相應的搜
尋量，第三種是同時使用 Google 內建的分類及自行設定的關鍵字。
首先是第一種方式，Wu and Brynjolfsson (2015) 使用搜尋量來預測房市趨勢，他們直接
使用「Real Estate」類別搜尋量來衡量投資人對整體房市的興趣以及使用「Real Estate Agency」
子類別搜尋量來直接跟美國實際房屋銷售量的趨勢進行比較，作者認為買屋與賣屋都會搜尋
不動產代理商相關字彙。接著是第二種方式，Beracha and Wintoki (2013) 檢驗網路搜尋量對美
國地區房價的預測能力，作者的關鍵字使用「real estate 地區名」和「rent 地區名」
，地區名使
用美國的 384 個都會區 (metropolitan statistical area) 名稱，像是「real estate Miami」和「rent
Miami」
。最後是第三種混合的方式，Hohenstatt et al. (2011) 主要是探討投資人關注與房屋價
格及交易量的關聯性，作者設定關鍵字的方式是從最上層到最下層 (Top-down) 的方式即大
範圍到小範圍的概念，第一步驟是選定「Real Estate」類別，第二步驟是選擇「Real Estate」類
別下的子類別，最後第三步驟是設定關鍵字，最終作者建立五個搜尋量指數，分別是「Real
Estate」類別、
「Real Estate Agency」子類別、
「Home Financing」子類別、
「Home for sale」
、
，前三個單純直接使用 Google Trends 內建的類別，而第四跟第五個則是作者自
「Apartments」
己設定的關鍵字。Dietzel et al. (2014) 探究搜尋量指數被用來當作關注指標及改善商用不動產
預測模型對於交易及價格指數的預測能力。作者的搜尋量指數一共建立七組，此七組可以區
分成兩大類，一類是用來衡量整體商用不動產市場的投資人關注，另一類是用來衡量特定的
不動產類型的投資人關注。衡量整體商用不動產市場的部分，先選定「Real Estate」類別及
「Commercial and Investment Real Estate」子類別後，所建構出的三組搜尋量指數分別是：(1)
直接使用 Google Trends 內建「Commercial and Investment Real Estate」子類別；(2) 關於商用
不動產的一些字彙的加總組合來衡量所有商用不動產的關注；(3) 商用不動產服務提供商的辭
彙組合。會搜尋這些商用不動產服務商，代表關注商用不動產產品及交易相關事務。
對於特定類型不動產的搜尋量指數建構，作者在先選定「Real Estate」類別及「Commercial
502 管理與系統

and Investment Real Estate」子類別後，建構四組搜尋量指數，分別是：(1) 辦公室相關搜尋辭

彙加總，來代表對辦公室不動產的關注；(2) 零售不動產相關搜尋辭彙加總，來代表對一些零
售用途的商業不動產的關注，像是店面、店鋪的購買或出租等；(3) 工業不動產相關搜尋辭彙
的加總，來衡量投資人對於工業用途不動產的關注；(4) 在選擇「Real Estate」類別後直接使
用「Apartments and Residential Rentals」子類別搜尋量數據，來獲取對於公寓及住宅租賃相關
資訊的關注。

2.6 影響房價的因素

探討影響房價的因素至今已有相當的研究，如供給與需求的基本面因素以及從使用者成
本角度進行探討 (Abraham and Hendershott, 1992, 1996; Himmelberg et al., 2005)。除此之外，
投資人情緒與市場關注度等非理性層面對房價的影響則在美國金融海嘯之後受到更進一步的
重視 (Soo, 2018)。
關於基本面因素在台灣房市的研究，吳森田（民 83）以所得與貨幣等變數探討與房價變
動的關係，指出預期心理是造成台北房價上漲的主要原因之一。Chen and Patel (1998) 則發現
收入、利率、股價指數、建築成本與住宅使用執造等五個因素為影響台北房價的主要因素。之
後，Chen and Patel (2002) 與 Chen et al. (2012) 進一步研究發現短期房價的上漲主要是來自
於投資需求，而貨幣供給與股價都是短期影響的因素。房價在短期內的劇烈變化可能是來自
於非理性之因素所造成，進而出現投機性的價格泡沫，朱芳妮、陳明吉（民 107）從投資者預
期心理、新聞媒體渲染、從眾行為、思想傳染與釣愚現象來探討台灣房市的非理性現象。投資
（民 109a，民 109b）
人情緒與市場關注度則是探討非理性因素的重要變數。國內文獻，朱芳妮等
編制不同的情緒指數研究其對台灣房市的影響，發現透過問卷調查所建構的情緒指數、採用
總體變數與組成分分析法建構的情緒指數以及利用文字探勘編制的媒體情緒指數均會對台灣
房市有顯著的影響。關於非理性因素，已有相當的文獻探討情緒對台灣房市的影響，本文則
研究市場關注度對台灣房市的影響。
關於房價波動不對稱現象之探討，陳明吉、蔡怡純（民 96）研究指出投資人對於房市的
預期有結構性轉變，在房價平穩時，預期價格增漲率會較小，在房價上漲時則預期價格增漲
率會較大，即對於房價增長率的預期會隨著不同房市景氣階段而異。蔡怡純、陳明吉（民 97）
實證研究發現台北市不動產市場的波動性存在反向槓桿效果，亦即當上一期發生與房價報酬
相關的負面消息時，當期的報酬波動性會變小，展現房價往下與往上波動的不對稱性。Chen
et al. (2012) 發現造成房價非線性波動的主因是投資需求，即在房價穩定時期，影響房價的因
素大多是基本面因素，但造成房價波動的因素則是超過一定程度的貨幣供給增長率。
 房市參與者之關注會影響房價嗎？ 503

表1 學者研究不動產領域所建構的搜尋量指數

作者 研究主題 建構 SVI 的關鍵字或使用的類別搜尋量

Wu and 使用搜尋量來預測房市 「Real Estate」類別
Brynjolfsson 趨勢 「Real Estate Agency」子類別
(2015)
Beracha and 搜尋量對美國地區房價 「real estate 地區名」
Wintoki (2013) 的預測能力 「rent 地區名」
Hohenstatt et al. 關注與房屋價格及交易 「Real Estate」類別
(2011) 量的關聯性 「Real Estate Agency」子類別
「Home Financing」子類別
「Home for sale」
「Apartments」
Dietzel et al. 搜尋量指數被用來當作 整體商用不動產市場關注：
(2014) 關注指標及改善商用不 「Commercial and Investment Real Estate」子類別
動產預測模型對於交易 「 commercial property + commercial real estate +
及價格指數的預測能力 commercial property sale + property for sale + lease
commercial property + commercial lease」
「jll + cbre + jones lang lasalle + colliers + dtz + cushman
and wakefield + knight frank + savills + grubb ellis +
newmark grubb + cb richard ellis + marcus millichap + cimls
+ loopnet + xceligent + propertyline + catylist」
特定商用不動產關注：
「Apartments and Residential Rentals」子類別
「 office for sale + office space + office space rent +
commercial office space + office rental + office lease」
「retail space + commercial retail + retail lease + retail sale
space + retail property + rent retail space + retail space for
sale」
「industrial property + industrial for sale + industrial leases
+ commercial industrial property + industrial building +
warehouse for sale + industrial property for sale」
此表內容為本研究整理。

3. 研究模型與方法

3.1 基本房價模型

過往有國內外學者提出幾種不同的房價模型，Meen (1990) 在研究英國不動產市場時，以

使用者成本及消費者效用極大化為基礎，建構以房屋價格為應變數的房價模型縮減式，自變
數包含稅後貸款利率、家戶實質所得、家戶實質財富、人口結構的改變、抵押貸款相關變量、
預期房屋的名目資本利得以及房屋存量。Chen and Patel (2002) 研究台北地區房價的決定因素
504 管理與系統

並建構長期房價均衡模型，應變數為房價，自變數則有家戶所得、建造費用（營建成本）及房
屋新增供給。朱芳妮等（民 109a）在探究不動產市場中情緒對台灣房市影響，所使用的房市
實證模型，應變數包含房價，還有交易量、流動天數以及議價空間，控制變數包含貨幣供給、
股價指數、個人可支配所得與營造工程物價指數。朱芳妮等（民 109b）探討房地產媒體情緒
對台灣房市的影響，模型所使用的應變數一樣為四個不動產市場交易資訊，控制變數使用貨
幣供給、股價指數、個人可支配所得、新增住宅供給和建築成本4。本研究探討關注度之議題
為需要較高頻的資料，故以可取得的月資料為主，即房價採用的是台北市信義房價指數。由
於本文的研究地區為台北市，參考 Chen and Patel (2002) 提出的房價模型與變數來建構不動
產市場的實證模型，以下式(1)所示：
!"! = % + '" ())*! + +∑-! + .! (1)
其中，下標 t 表示時間。ATTN 為本研究所建構的關注指標，分為三個面向，整體房市
關注 (ATTN_TOTAL)、成屋住宅關注 (ATTN_OH) 以及投資面向關注；其中，將投資面向關注
拆分成三個部分：投資獲利關注 (ATTN_PROF)、投資成本關注 (ATTN_COST)、投資風險關
注 (ATTN_RISK)，因此本文以三個面向建構五個關注指標。X 為控制變數，包括貨幣供給額
(MB)、台股加權指數 (STK)、營造工程物價指數 (CC)，. 為誤差項。

3.2 研究設計

為了探討不動產市場的參與者關注對於不動產價格是否具有影響，本文分別使用不同面
向的關注指標進行檢驗與分析，以下為本文檢驗之假說與模型。

3.2.1 公司特性假說

影響房價的因素除了基本面變數外，非理性因素為影響房價短期變動的重要原因之一，
過去研究投資人或是媒體情緒對於房市的影響已不在少數，本研究著重參與者關注度對於房
市的影響，其為情緒以外的非理性重要因素。因此，為檢驗參與者關注是否會對房市產生影
響，以下說明研究假說。
假說一：房市參與者在有限能力下所產生的有限關注，傾向分配更多關注到整體市場資

4 使用 Google Trends 搜尋量來對不動產市場進行實證分析的學者們在進行實證分析時使用的變量有

所差異，Wu and Brynjolfsson (2015) 使用網路搜尋量來預測房市趨勢，實證模型的應變量為房屋價格
指數，自變量使用房屋市場指數的落後期數項和房屋相關關鍵字的搜尋量指數。Hohenstatt et al. (2011)
研究關注與房屋價格及交易量的關聯性，變數使用房價、房屋交易量及幾組不同的 Google 搜尋量指
數。Beracha and Wintoki (2013) 分析網路搜尋量對美國地區房價的預測能力，迴歸使用的應變數為不
動產的超額報酬，自變數則使用不動產超額報酬的落後期數項、Google SVI 和人口超額成長。Dietzel
et al. (2014) 在探究搜尋量是否改善商用不動產模型對於交易及價格指數的預測能力時，所使用的變
量包含房價指數、不動產交易量、建設費用、失業相關數據、國家金融狀況指數、芝加哥聯準會全國
活動指數、消費者信心水準。
 房市參與者之關注會影響房價嗎？ 505

訊，使其易受到其他房市參與者對市場分析結果之影響。亦即房價不僅受到基本面因素影響，
也會受到非基本面因素如房市參與者關注之影響。因此 Fama (1970) 所提出的市場效率假說
無法完全成立。
我們研究房市參與者關注對房價變動的影響，參與者關注指標則分別以三個不同面相關
注進行探討，因此檢驗的假說一包括：整體房市關注對於房價變動的影響、成屋住宅關注對
於房價變動的影響，以及投資面向關注對於房價變動的影響；其中，投資面相關注由投資獲
利關注、投資成本關注與投資風險關注三個面向所構成，以此說明相較於一般購屋自住者以
消費住宅為主，投資者關注的是從利潤角度分析的報酬、成本與風險。
假說二：在不同景氣階段，房市參與者對於房價變動的預期會有不對稱的現象。過去研
究多採用總體經濟變數作為投資需求或投資預期心理的代理變數，本文則採用主動變數來探
討房市預期的不對稱現象。
由於資產市場易有追漲不追跌或是價格抗跌性的現象，進一步我們探討房市參與者關注
在房價上升、平穩期間分別對房價變動造成的影響，本研究將研究區間兩時期。如圖1 所示，
全台灣房價從 2009 年至 2014 年中為上升趨勢，之後則是較平穩趨勢，故本研究所設定的
房價上升時期為 2009 年 1 月至 2014 年 6 月，房價平穩時期為 2014 年 6 月至 2019 年
12 月，每時期各有 66 個月的樣本。

3.2.2 研究模型

為了探究房市參與者關注對房價變動的影響，我們依據 Chen and Patel (2002) 的房價模

型指出影響房價的基本因素為貨幣供給、股價指數與營建成本，並納入參與者關注度於迴歸
模型：
Δ!"! = % + '" Δ())*! + +" Δ01! + +# Δ2)3! + +$ Δ44! + +% Δ567! + 8! (2)
式中，下標 t 代表時間，Δ 表示變數以自然對數差分的方式處理。應變數 Δ!" 指的是房
價變動率，自變數包括本文所建構的關注指標 Δ())*，以及其他基本面控制變數（貨幣供給
Δ01、股價指數 Δ2)3、營建成本 Δ44）。由於關注度的高與低僅能代表房市受到關注的程
度，無法區別關注是來自於房價的上漲或是下跌，以及兩者之間可能具有互為因果的關係，
因此研究模型中我們也納入買賣交易量 Δ567 作為控制。式(2)中，估計係數 '" 為本研究所
關注的，代表的是房市參與者關注對房價變動的影響，也就是假說一與假說二的驗證。
由於房市參與者面向涵蓋廣泛且不動產有消費與投資的雙重特性，我們將關注指標分層
三個面向，即分別考量三個面向的關注指標於式(2)之中的估計。如前所述，三個層面的關注
指標分別為整體房市 (ATTN_TOTAL)、成屋住宅 (ATTN_OH) 與投資 (由獲利 (ATTN_PROF)、
成本 (ATTN_COST) 與風險 (ATTN_RISK) 三個關注指標所構成)。因此，檢驗假說一有三個研
506 管理與系統

圖1 全台灣房價指數走勢

究模型：
模型一：整體房市關注變動對於房價變動的影響
Δ!"! = % + '" Δ())*_)6)(7! + +" Δ01! + +# Δ2)3! + +$ Δ44! + +% Δ567! + 8! (3)
模型二：成屋住宅關注變動對於房價變動的影響
Δ!"! = % + '" Δ())*_6!! + +" Δ01! + +# Δ2)3! + +$ Δ44! + +% Δ567! + 8! (4)
模型三：投資面相關注變動對於房價變動的影響
Δ!"! = % + '" Δ())*&'() ! + '# Δ())**(+, ! + '$ Δ())*'-+. ! + +" Δ01!
(5)
++# Δ2)3! + +$ Δ44! + +% Δ567! + 8!
為了驗證假說二：房價在上升、平穩時期房市參與者關注對房價變動的影響，我們依循
上述式(3)至式(5)的模型，將樣本期間分為房價上升（2009年1月至2014年6月）與平穩（2014
年7月至2019年12月）兩個時期進行驗證。

3.2.3 房市參與者關注與投資人情緒對房價之預測分析及比較

透過上述模型驗證假說，本研究進一步使用房市參與者關注指標對台北市的房價變動進
行樣本外預測。我們設定樣本內的期間為 2006 年 1 月至 2018 年 12 月，樣本外的期間設
定為 2019 年 1 月至 2019 年 12 月。樣本內的房價模型與前述假說一探究全部樣本期間房
市參與者關注對房價變動的影響之研究模型相同。透過樣本內的估計結果預測樣本外的房價
變動，並與實際 2019 年房價進行比較。我們以 Brooks and Tsolacos (2010) 的損失函數 (loss
function) 計算出預測誤差值 (forecast error)，以均方誤差 (mean squared error, MSE) 與平均絕
對百分誤差 (mean absolute percentage error, MAPE) 來比較對於房價預測的準確度，其值越小
代表預測能力較佳。5 損失函數預測誤差 8! 如下所示：

5 平均絕對百分誤差常被用來評估樣本外預測的優劣。我們的應變數為月頻率的房價變動率，由於房市
交易不如金融資產頻繁，月資料的房價變動率在房市相對平穩時期會出現近於零附近的值，以 MAPE
 房市參與者之關注會影響房價嗎？ 507

;!
8! = Δ!"! − Δ!" (6)
; ! 為利用樣本內估計係數預測樣本外的房價變動。MSE 與 MAPE 的公式為：
式中 Δ!"
"
MSE = ∑/01" 8! # (7)
/

" |3! |
MAPE = ∑/01" (8)
/ 45&!

由於過往學者實證結果顯示投資人情緒與房市參與者關注有所不同，為了比較房市參與
者關注對於房價的預測能力有沒有優於投資人情緒，本研究額外使用朱芳妮等（民109a）探討
房地產媒體情緒對台灣房市的影響所建構情緒指標的方法，使用文字探勘的方法與 Python
網路爬蟲程式，將新聞網站的內容進行情感值分析後，建構出台灣的投資人情緒指標，把此
情緒指標應用至本研究建構的房價模型。情緒指標於房價模型的樣本內估計與樣本外預測的
期間設定與上述房市參與者關注指標相同。最後，我們比較房市參與者關注與投資人情緒對
於台北市房價的預測結果，探究模型加入何者對於房價的預測能力較優。

3.3 關注指標建構

本研究所設定的關注指標主要有三個面向，第一個是用來衡量整體不動產市場房市參與
者關注，第二個用來衡量房市參與者對成屋住宅的關注，第三個是用來衡量房市參與者投資
時會注意的各個面向。表二為本研究建構關注指標所使用的關鍵字，首先確保搜尋量數據僅
與不動產相關，故在思考關鍵字前與 Dietzel et al. (2014)、Hohenstatt et al. (2011) 和 Wu and
Brynjolfsson (2015) 的做法一樣，先選擇 Google Trends 內建的「房地產」大類別或其之下的
子類別，再做接續的設定，本研究的搜尋量指標設定方式與表 1 呈現出的第三種做法相同，
包含直接使用 Google 內建的分類以及自行設定的關鍵字組合。
表 2 所設定的關注指標是用來衡量台灣房市參與者對台北市不動產市場的關注。參照
Beracha and Wintoki (2013) 的作法，由於房市參與者在搜尋台北市的不動產資訊時可能會使
用「台北」或「台北市」這兩個詞彙，所以第一組關鍵字使用「房地產」大類，並使用「台北
+台北市」來得到所有包含「台北」或「台北市」詞彙且與不動產相關的搜尋量來獲取全台灣
房市參與者對台北市不動產的搜尋量數據。6第二個搜尋量指標是用來衡量房市參與者對成屋
住宅的關注，所使用關鍵字為台台北市房仲業者名稱的集合，因為台灣的房市參與者不論是
購置成屋或是出售房屋基本上會比較傾向於尋找房仲業者，此關注指標可以得到買賣方房市
參與者的整體交易關注。第三個到第五個搜尋量指標則是用來探討房市參與者對投資層面（獲

的公式計算時容易會導致預測誤差趨於無窮大的現象，因此本研究以 MSE 的結果為主要評估依據。

6 受限於 Google Trends 資料限制，以台北市行政區進行關注指標的建構，資料起始點為 2016 年 7 月，
且輸入過多的關鍵字會無法建構出搜尋量指標，因此本研究以台北和台北市為區域位置的關鍵字設定，
而非行政區別。
508 管理與系統

表2 台灣房市參與者對台北市不動產市場關注

關注面相 關鍵字 搜尋類別

整體房市關注 台北+台北市 房地產

成屋住宅關注 台北房屋仲介+台北市房屋仲介+永慶不動產+有巢氏房屋+台 房地產
慶不動產+住商不動產+大家房屋+台灣房屋+優美地產+中信
房屋+東森房屋+太平洋房屋+全國不動產+東隆不動產
投資面相關注 房地產
投資獲利面 投資報酬+台北租金+台北房價+台北市租金+台北市房價
投資成本面 投資成本+房屋貸款+貸款利率+貸款成數+財產交易所得稅+
房地合一稅+土地增值稅+台北地價稅+台北房屋稅+台北市
地價稅+台北市房屋稅
投資風險面 投資風險+台北房價走勢+台北市房價走勢+台北房價下跌+
台北市房價下跌+利率變化+利率上升+海砂屋+凶宅

利、成本及風險面）的關注，房市參與者在進行投資前通常是會先瞭解整體的房市後才會更
進一步去思考實際投入不動產市場後的報酬及相應的風險，因此相較於整體房市關注，會屬
於比較小範圍的關注。在有地區性差異的搜尋詞彙（房價、租金、地價稅、房屋稅、房價走
勢）前方加上「台北」和「台北市」來確保獲得的搜尋量是與台北地區有關聯。
以 Google Trends 作為關注代理變數的研究需要注意一個問題。Google 搜尋量指標為給
定時間區間內依據搜尋關鍵字所計算出介於 0 至 100 的數值。由於該指標為特定時間區間
內，因此搜尋最大量會隨著不同時間的設定而有所改變，造成同一時間點的搜尋指標會因時
間區間的設定而不同，但 Google 搜尋量指標仍為最即時的關注指標 (Tierney and Pan, 2012)。
為了避免因時間區間設定不同而產生時變的搜尋指標，本研究的關注指標均設定在同一樣本
期間的架構下進行建構，即關注指標捕捉的是 2006 年 1 月至 2019 年 12 月期間內的相對
變化。

3.4 其他變數定義及說明

本文的變數包括信義房價指數、五個關注指標，以及其他總體控制變數：貨幣供給、股價
指數、營建成本與交易量。上述變數，除關注指標、營造工程指數與買賣交易量外，其餘變數
均以消費者物價指數轉化為實質變數。變數的資料來源與定義，詳見表3。

4. 實證分析
 房市參與者之關注會影響房價嗎？ 509

表3 變數代號與資料來源

變數 定義內容 英文代號 資料來源

應變數
信義房價指數 台北市信義房價指數 HP 信義房屋
房市參與者關注指標
整體房市關注 台北市整體房市關注 ATTN_TOTAL 本研究編制
成屋住宅關注 台北市成屋住宅關注 ATTN_OH 本研究編制
投資獲利關注 台北市投資獲利關注 ATTN_PROF 本研究編制
投資成本關注 台北市投資成本關注 ATTN_COST 本研究編制
投資風險關注 台北市投資風險關注 ATTN_RISK 本研究編制
控制變數
貨幣供給 貨幣總計數 M2 MB 中央銀行
股價指數 台股加權股價指數 STK 中央銀行
營建成本 營造工程物價指數 CC 行政院主計處
買賣交易量 台北市建物買賣移轉棟數 VOL 內政部營建署

4.1 基本敘述統計

本研究的樣本期間為 2006 年 1 月至 2019 年 12 月，共 168 個月，基本統計敘述如

表4 所示。如表所示，我們可以發現整體房市關注與成屋住宅關注的平均值較投資面向的三
個關注指標為大，但標準差較小，顯示投資面向雖然有較少的關注，但其變異程度較高。其他
變數，如房價與控制變數等，平均值與中位數並無太大的差異，顯示樣本期間的數值分配狀
況應無極端值。
時間序列資料必須先透過單根檢定，來確保數據資料為定態，若資料非為定態且存在單
根，會產生虛假迴歸的問題而導致模型實證結果有誤。表5 為 Augmented Dickey-Fuller (ADF)
單根檢定的結果，變數經過一階差分後，在 1% 的顯著水準下所有變數皆呈現為定態序列，
符合我們的研究模型設定，所有變數均以自然對數差分為變動率的方式進行估計。
在進行迴歸分析探究房市參與者關注對於不動產市場是否具有影響之前，我們先觀察房
市參與者關注與房價指數的趨勢圖。圖2 為台灣房市參與者對台北市整體房地產的關注與房
價指數的長期趨勢變化圖。從圖中可以看到房價長期是上升趨勢，至於房市關注除了在 2012
至 2016 年初有明顯的變化之外，其餘大多維持平穩。因房市參與者對於整體房市關注的趨
勢變動與房屋價格的改變單純從趨勢變化無法直接看出兩者的是否存在前後期影響，後續本
研究的迴歸分析實證結果可以加以驗證是否房市參與者關注對於房價具有顯著的影響。
表6 為房價指數與關注指標的相關係數表，從表格資訊可以初步探究房屋價格與關注指
標之間的關係，呈現出市場參與者對台北市房市的關注與房屋價格之間的關係，房價與整體
510 管理與系統

表4 敘述統計表

變數名稱 Obs Mean Median Std. Dev. Min Max

信義房價指數 168 4.610 4.734 0.245 4.078 4.916
整體房市關注 168 3.423 3.332 0.262 2.833 4.060
成屋住宅關注 168 3.990 3.960 0.280 3.367 4.605
投資獲利關注 168 2.999 2.890 0.545 0.000 4.553
投資成本關注 168 3.005 3.295 0.834 0.000 4.304
投資風險關注 168 2.953 2.944 0.382 1.791 4.605
貨幣供給 168 12.768 12.757 0.152 12.527 13.010
股價指數 168 9.029 9.035 0.186 8.406 9.380
營建成本 168 4.614 4.632 0.059 4.399 4.729
買賣交易量 168 8.100 8.088 0.452 6.968 8.884

表5 單根檢定

變數 原始值取自然對數 一階差分
信義房價指數 -3.034** -10.965***
整體房市關注 -4.550*** -17.873***
成屋住宅關注 -3.352** -15.399***
投資獲利關注 -8.932*** -20.951***
投資成本關注 -5.514*** -16.138***
投資風險關注 -5.443*** -20.989***
貨幣供給 -0.172 -9.659***
股價指數 -1.278 -8.730***
營建成本 -4.078*** -6.053***
買賣交易量 -3.779*** -20.612***
*代表在 10%的水準下顯著，**代表在 5%的水準下顯著，***代表在 1%的水準下顯著。

表6 房價與關注指標相關係數

變數 信義房價指數 整體房市 成屋住宅 投資獲利 投資成本 投資風險

信義房價指數 1.000
整體房市 0.484* 1.000
成屋住宅 -0.077 0.339* 1.000
投資獲利 -0.389* 0.156* 0.594* 1.000
投資成本 -0.061 0.085 0.026 0.248* 1.000
投資風險 0.073 -0.028 -0.021 -0.061 0.013 1.000
*代表在 5%的水準下顯著。
 房市參與者之關注會影響房價嗎？ 511

100 140
80 120
100
60 80
40 60
40
20 20
0 0
Aug-06

Feb-10
Sep-10
Jan-06

Mar-07

May-08
Dec-08

Apr-11
Nov-11

Feb-17
Sep-17
Jun-12
Jan-13
Aug-13
Mar-14

May-15
Dec-15

Apr-18
Nov-18
Jun-19
Oct-07

Jul-09

Oct-14

Jul-16
整體房市關注 房價

圖2 台北市整體房市關注與房價走勢

房市關注呈現顯著正向關係，而與投資獲利關注呈現顯著負向關係。

4.2 迴歸模式實證結果與分析

表 7 呈現市場參與者關注對台北市不動產市場的影響。首先，第一欄與第二欄分別呈現
台北市當期與前一期的整體房市關注對房價的影響。如表所示，當期的整體房市關注對房價
沒有顯著影響，但第二欄的結果發現前一期整體房市關注對於房價變動有顯著的正向影響，
代表房市參與者關注增加會使房屋價格增加；此與 Da et al. (2011) 在股市中發現投資人關注
增加，伴隨著股價上漲有相似結果。而對於房市參與者關注正向影響全台灣房屋價格的結果，
與 Wu and Brynjolfsson (2015) 在美國不動產市場的實證相同。第三欄與第四欄為成屋住宅關
注對房價影響的結果，可以發現當期的成屋關注顯著正向影響台北市的房價，此結果說明投
資人去搜尋房屋仲介及不動產交易相關資訊，是有實際的房屋購置需求，在需求增加的情況
下房價受到推升。第五欄與第六欄為投資面向關注部分，不論是投資獲利、成本或是風險的
相關關注皆無顯著影響效果。
從以上房價的實證結果可以發現整體房市關注、成屋住宅關注會顯著影響房價，而其他
較小層面的關注影響較不顯著，符合 Peng and Xiong (2006) 所提出的類別學習行為理論，投
資人在有限關注的情況下，傾向分配更多關注到整體市場資訊。

4.3 不同房市景氣階段關注指標對台北市房價變動的影響

4.3.1 房價上升時期

表 8 上半部呈現房市參與者關注，在全台整體房市處於房價上升時期，對於台北市房市
的影響。首先是整體房市關注方面，前期整體關注對於台北市房市有顯著的影響效果。其次
是成屋住宅關注，當期關注有顯著影響房價。最後是各個投資面向關注的部分，不論是投資
512 管理與系統

表7 房市參與者關注對台北市房價變動的影響

關注面相 整體房市 成屋住宅 投資

變數 (1) (2) (3) (4) (5) (6)
∆ATTN_TOTALt 0.004
(0.007)
∆ATTN_TOTALt-1 0.012*
(0.007)
∆ATTN_OHt 0.016*
(0.009)
∆ATTN_OHt-1 0.002
(0.009)
∆ATTN_PROFt 0.001
(0.002)
∆ATTN_COSTt -0.000
(0.004)
∆ATTN_RISKt -0.000
(0.001)
∆ATTN_PROFt-1 0.001
(0.002)
∆ATTN_COSTt-1 -0.004
(0.004)
∆ATTN_RISKt-1 -0.000
(0.001)
∆MBt 0.428*** 0.416*** 0.395*** 0.430*** 0.424*** 0.428***
(0.139) (0.139) (0.139) (0.142) (0.140) (0.141)
∆"#$t 0.042 0.043 0.038 0.043 0.046 0.045
(0.027) (0.027) (0.027) (0.027) (0.028) (0.027)
∆%% t 0.350** 0.326** 0.304** 0.344** 0.363*** 0.345**
(0.135) (0.135) (0.136) (0.136) (0.139) (0.137)
∆&'(t 0.006 0.007 0.004 0.007 0.007 0.007
(0.005) (0.005) (0.005) (0.005) (0.005) (0.005)
Constant 0.002* 0.002* 0.002* 0.002* 0.002* 0.001
(0.001) (0.001) (0.001) (0.001) (0.001) (0.001)
)*! 0.106 0.121 0.123 0.105 0.095 0.099
F-Stat. 4.929 5.550 5.654 4.865 3.494 3.581
DW-Stat. 1.860 1.799 1.865 1.846 1.851 1.830
Obs. 167 166 167 166 167 166
*代表在 10%的水準下顯著，**代表在 5%的水準下顯著，***代表在 1%的水準下顯著。

獲利、成本與風險的關注皆沒有對房屋價格顯著影響。以上結果可以證實隨著房市參與者關
注的上升，房價也同時受到推升。

4.3.2 房價平穩時期

表 8 下半部呈現房市參與者關注在全台整體房市處於房價平穩時期對於台北市房市的影
 房市參與者之關注會影響房價嗎？ 513

表8 房市參與者關注在房價上升、平穩時期對台北市房價變動的影響

房價上升期
關注面相 整體房市 成屋住宅 投資
變數 (1) (2) (3) (4) (5) (6)
∆ATTN_TOTALt 0.011
(0.011)
∆ATTN_TOTALt-1 0.020*
(0.011)
∆ATTN_OHt 0.029**
(0.013)
∆ATTN_OHt-1 0.011
(0.013)
∆ATTN_PROFt -0.001
(0.005)
∆ATTN_COSTt -0.007
(0.006)
∆ATTN_RISKt -0.003
(0.003)
∆ATTN_PROFt-1 -0.004
(0.005)
∆ATTN_COSTt-1 -0.004
(0.006)
∆ATTN_RISKt-1 0.001
(0.003)
∆MBt 0.200 0.290 0.119 0.314 0.232 0.252
(0.232) (0.225) (0.228) (0.240) (0.234) (0.232)
∆#$% t 0.002 0.005 -0.013 0.001 0.004 0.009
(0.041) (0.040) (0.040) (0.041) (0.042) (0.043)
∆&& t -0.074 -0.072 -0.073 -0.088 -0.019 -0.015
(0.336) (0.330) (0.324) (0.336) (0.346) (0.357)
∆'()t 0.008 0.004 0.005 0.007 0.013 0.009
(0.008) (0.008) (0.008) (0.008) (0.009) (0.008)
Constant 0.009*** 0.009*** 0.010*** 0.009*** 0.009*** 0.009***
(0.002) (0.002) (0.002) (0.002) (0.002) (0.002)
*+! -0.019 0.0100 0.044 0.023 0.032 0.052
F-Stat. 0.758 1.129 1.593 0.706 0.715 0.539
DW-Stat. 1.696 1.533 1.710 1.651 1.637 1.608
Obs. 66 65 66 65 66 65
房價平穩期
關注面相 整體房市 成屋住宅 投資
變數 (1) (2) (3) (4) (5) (6)
∆ATTN_TOTALt 0.003
(0.012)
∆ATTN_TOTALt-1 -0.003
(0.011)
∆ATTN_OHt 0.031*
(0.017)
∆ATTN_OHt-1 -0.006
(0.015)
∆ATTN_PROFt -0.001
(0.006)
∆ATTN_COSTt 0.001
(0.008)
∆ATTN_RISKt 0.001
(0.007)
∆ATTN_PROFt-1 0.008
(0.006)
∆ATTN_COSTt-1 -0.001
(0.007)
∆ATTN_RISKt-1 -0.000
(0.006)
∆MBt 0.539** 0.546** 0.557** 0.542** 0.535** 0.498*
(0.256) (0.257) (0.249) (0.256) (0.263) (0.260)
∆#$% t 0.040 0.040 0.018 0.039 0.042 0.037
(0.066) (0.065) (0.065) (0.066) (0.066) (0.066)
∆&& t 0.284 0.296 0.086 0.289 0.278 0.259
(0.427) (0.431) (0.425) (0.427) (0.434) (0.428)
∆'()t 0.003 0.003 -0.001 0.003 0.004 0.004
(0.007) (0.007) (0.007) (0.007) (0.008) (0.007)
Constant -0.004* -0.004* -0.003* -0.004* -0.004* -0.003
(0.002) (0.002) (0.002) (0.002) (0.002) (0.002)
*+! 0.015 0.016 0.070 0.017 0.019 0.014
F-Stat. 1.204 1.208 1.972 1.222 0.828 1.127
DW-Stat. 2.352 2.351 2.457 2.313 2.308 2.256
Obs. 66 65 66 65 66 65
*代表在 10%的水準下顯著，**代表在 5%的水準下顯著，***代表在 1%的水準下顯著。
514 管理與系統

響。首先在整體房市關注方面，整體房市關注對房價沒有影響，但成屋住宅關注，出現顯著正
向影響房屋價格，此結果與房價上升時期相同，所以不論在哪個時期，當期的成屋住宅關注
都能有效的推升台北市的房屋價格。最後是投資各面向的房市參與者關注，此部分的結果與
房市處於房價上升時期相同，所有投資面向的關注對於台北市房市皆沒顯著影響。
將房價上升時期實證結果與房價平穩時期的實證結果比較，可以發現關注在房價上升期
較有影響。此外，在成屋住宅關注影響房價的部分，不論是在全期、房價上升期與平穩期，均
呈現當期關注對房價的顯著影響，再次說明搜尋房屋仲介與不動產交易相關資訊的市場參與
者，是對買賣住宅有實際的需求，而此影響並不會隨著房市景氣的變化而改變。
表 9 為實證統整，綜合而言本研究建立的關注指標可以證實關注影響房價，且在房價上
升時期，關注對房價影響較房市平穩時期為明顯，符合一般人在房價上漲期間是較關注市場
的。進一步再將投資面向分成獲利、成本與風險三個關注面向，則無法找出分類關注與房價
關係，一方面有可能由於研究期間不夠長或樣本數不足，另一方面也可能市場參與者對房價
的考量是各方面權衡後結果，因為房屋是具備投資與消費雙重性的。

4.4 不關注與情緒對房價預測之分析與比較

首先使用樣本內資料（2006 年 1 月至 2018 年 12 月）進行迴歸模型的估計，使用迴歸

估計結果來建立台北市房市的房價預測模型，結果如表 10 所示。與前述實證結果相似，使用
當期房市參與者關注的模型解釋能力大多優於使用前期房市參與者關注的模型，故本研究使
用當期房市參與者關注當作自變數，總體經濟變數當作控制變數，建立出三個房價預測模型。
表十一呈現出本研究使用樣本內（2006 年 1 月至 2018 年 12 月）資料所建立的房價
預測模型，對於 2019 年房價的預測結果。透過比較 MSE 與 MAPE 的結果，可以發現自變
數使用當期成屋住宅關注的預測模型對於台北市房價變動的預測效果最好。

表9 實證結果統計

關注指標 全期 房價上升期 房價平穩期

整體房市關注 前期 前期 X
成屋住宅關注 當期 當期 當期
投資獲利關注 X X X
投資成本關注 X X X
投資風險關注 X X X
當期（前期），代表當期（前期）房市參與者關注在 10%的水準下對房價有顯著影響。
 房市參與者之關注會影響房價嗎？ 515

表 10 台北市房市參與者關注樣本內迴歸結果

關注面相 整體房市 成屋住宅 投資

變數 (1) (2) (3) (4) (5) (6)
∆ATTN_TOTALt 0.003
(0.007)
∆ATTN_TOTALt-1 0.012*
(0.007)
∆ATTN_OHt 0.015*
(0.009)
∆ATTN_OHt-1 0.002
(0.009)
∆ATTN_PROFt 0.002
(0.002)
∆ATTN_COSTt -0.000
(0.004)
∆ATTN_RISKt -0.000
(0.001)
∆ATTN_PROFt-1 0.001
(0.002)
∆ATTN_COSTt-1 -0.004
(0.004)
∆ATTN_RISKt-1 -0.000
(0.001)
∆MBt 0.432*** 0.417*** 0.401*** 0.432*** 0.427*** 0.431***
(0.143) (0.143) (0.143) (0.147) (0.145) (0.146)
∆#$% t 0.048* 0.050* 0.045 0.049* 0.053* 0.051*
(0.028) (0.028) (0.028) (0.028) (0.029) (0.028)
∆&& t 0.349** 0.323** 0.306** 0.342** 0.367** 0.344**
(0.139) (0.138) (0.139) (0.139) (0.142) (0.140)
∆'()t 0.006 0.007 0.004 0.007 0.007 0.007
(0.005) (0.005) (0.005) (0.005) (0.005) (0.005)
Constant 0.003* 0.003* 0.003** 0.003* 0.003* 0.002*
(0.001) (0.001) (0.001) (0.001) (0.001) (0.001)
*+ ! 0.112 0.128 0.128 0.112 0.103 0.107
F-Stat. 4.899 5.500 5.528 4.853 3.532 3.607
DW-Stat. 1.878 1.817 1.885 1.866 1.881 1.852
Obs. 155 154 155 154 155 154
*代表在 10%的水準下顯著，**代表在 5%的水準下顯著，***代表在 1%的水準下顯著。

表 11 當期房市參與者關注房價預測模型實證結果

台北房價 整體房市關注 成屋住宅關注 投資面向關注

日期 實際值 預測值 誤差值 預測值 誤差值 預測值 誤差值
2019/1 0.013 0.009 0.004 0.009 0.004 0.009 0.004
2019/2 -0.009 0.001 -0.011 0.003 -0.012 0.002 -0.011
2019/3 0.003 0.012 -0.009 0.013 -0.009 0.012 -0.009
2019/4 0.010 0.006 0.004 0.008 0.003 0.007 0.003
2019/5 0.007 0.000 0.007 0.000 0.007 0.000 0.007
2019/6 -0.015 0.002 -0.017 0.001 -0.016 0.002 -0.018
2019/7 -0.017 0.006 -0.023 0.006 -0.023 0.006 -0.023
2019/8 0.011 0.003 0.008 0.003 0.008 0.002 0.009
2019/9 0.006 0.002 0.004 0.003 0.004 0.002 0.005
2019/10 0.009 0.007 0.002 0.008 0.001 0.007 0.002
2019/11 -0.015 0.008 -0.023 0.008 -0.023 0.010 -0.025
2019/12 -0.003 0.006 -0.010 0.004 -0.008 0.006 -0.009
MSE 0.0002 0.0001 0.0002
MAPE 0.7567 -0.1201 -0.1690

圖 3 呈現出三個房價預測模型所預測出的價格與實際房價的比較圖，可以發現三個關注
指標所預測出的房價變動幅度會相較於實際房價變動幅度為小，而採用整體房市關注與投資
面向關注所預測出的變動趨勢較為相近，但成屋住宅關注的預測結果較為接近實際的房價變
動，且預測誤差較小。
516 管理與系統

1.50%

1.00%

0.50%

0.00%

-0.50%

-1.00%

-1.50%

-2.00%
Jan-19 Feb-19 Mar-19 Apr-19 May-19 Jun-19 Jul-19 Aug-19 Sep-19 Oct-19 Nov-19

整體房市關注模型預測房價 成屋住宅關注模型預測房價
投資面向關注模型預測房價 實際房價

圖3 當期房市參與者關注模型房價預測圖

4.5 關注與情緒對台北市房市房價樣本外預測比較分析

本研究進一步比較關注與情緒的預測能力，同樣使用樣本內資料（2006 年 1 月至 2018
年 12 月）進行情緒指標的線性迴歸，建立的台北市房價預測模型（結果列於附錄 B）
，再使
用此情緒指標預測模型，對於樣本外（2019 年）的房價作預測。表 12 呈現出所有房價預測
模型對於台北市房價預測誤差的均方差以及平均絕對百分誤差。可以看到房市參與者關注模
型部份，自變數使用當期成屋住宅關注的房價預測模型誤差的均方差及平均絕對百分誤差都
最小，代表此模型對於台北市房價的預測能力最佳，對於房價預測能力較差的是使用整體房
市關注為自變數的房價預測模型。透過比較使用房市參與者關注或投資人情緒的預測模型，
可以看到使用投資人情緒的房價預測模型的預測力與所有使用房市參與者關注的模型相當，
不過房市參與者成屋住宅關注模型仍有較好的預測結果。

表 12 房價預測模型實證結果統整

房價預測模型使用自變數 均方誤差 (MSE) 平均絕對百分誤差 (MAPE)

當期整體房市關注 0.0002 0.7567
當期成屋住宅關注 0.0001 -0.1201
當期投資面向關注 0.0002 -0.1690
當期投資人情緒 0.0002 -0.1472
 房市參與者之關注會影響房價嗎？ 517

圖 4 呈現出房價預測模型所預測出的價格與實際房價的比較圖。7可以發現投資人情緒模
型預測的房價變動趨勢與房市參與者關注模型預測的結果相似。至於成屋住宅關注模型與投
資人情緒模型所預測的誤差接近，預測能力差距不大。不過樣本內估計結果部分，投資人情
緒的係數呈現不具有統計上顯著的影響，而當期成屋住宅關注則對房價變動有顯著的影響（見
表 9 實證結果統整與附錄 B）
。

5. 結論

由於人對於大量訊息資料的關注是有限並且是選擇性的，使得關注力在何處成為決策的
重要因素。本文探討房市參與者的關注是否會影響房價，以台北市不動產市場進行實證，研
究期間為 2006 年至 2019 年底。參考過往學者建構房市參與者關注指標的方式，使用
Google Trends 關鍵字搜尋量建構出台灣房市參與者對於台北市房市的關注指標，共有三大類、
五組，分別是整體房市關注、成屋住宅關注和各個投資面向關注（投資成本、獲利、風險）
。
研究結果顯示，影響不動產市場的因素，除了總體經濟面向的基本面資訊外，房市參與
者關注對於房市也存有不同程度的影響，因此 Fama (1970) 所提出的市場效率假說在台灣的
不動產市場並不完全成立，亦即本文的假說一成立。在全部樣本時期的實證結果中，整體房
市與成屋住宅的關注均對房價變動有顯著影響，整體房市關注為前一期較為顯著，成屋住宅
關注則是當期較為顯著，代表房市參與者關注增加造成房價上升，與 Da et al. (2011) 在股市
進行的研究以及 Wu and Brynjolfsson (2015) 在美國不動產市場的實證結果相同。至於投資成

1.50%
1.00%
0.50%
0.00%
-0.50%
-1.00%
-1.50%
-2.00%
9
9

9
19

9
19

19

9
19

9
9

-1
-1

-1
-1
-1
-1

l-1
-1

n-
b-

p-
n-

ct

ec
pr

ug

ov
ar

ay

Ju
Ju
Fe

Se
Ja

O
M

D
M

整體房市關注模型預測房價 成屋住宅關注模型預測房價
投資面向關注模型預測房價 當期投資人情緒模型預測房價
實際房價

圖4 房市參與者關注與投資人情緒模型房價預測比較

7 關於情緒模型的預測結果請見附錄 B。
518 管理與系統

本、獲利與風險面向的關注，我們發現其對於房價變動沒有顯著的影響。這一方面有可能是
因為研究期間不夠長，另一方面也可能是市場參與者對房價的考量乃各方面權衡後之結果，
而房屋是具備投資與消費雙重性的。綜合而言，本研究呈現房市參與者受到整體房市層面關
注影響較顯著，其他較小層面關注影響較不顯著的結果，與 Peng and Xiong (2006) 所提出投
資人在有限關注的情況下，傾向分配更多關注到整體市場資訊的理論相符。
本研究進一步探究在房價上升、平穩兩個時期，房市參與者關注影響房市的效果。在房
價上升時期，整體房市關注與成屋住宅關注均顯著影響房價，但平穩期則只有成屋住宅關注
顯著影響房價，而各個投資面向關注在房價上升或平穩時期對所有房市皆無顯著影響，此結
果說明關注在景氣上升期對房價影響較強，符合一般人在上漲期會較為關注市場的預期。房
價上升、平穩時期受到房市參與者關注影響不一致的實證結果，與過去研究認為房市具有不
對稱性的論述相同，亦即本文的假說二成立。
最後，本研究比較房市參與者關注指標與過往學者所建構的投資人情緒指標對於台北市
房價變動的預測表現。我們發現在房市參與者關注模型中，自變數使用當期成屋住宅關注的
房價預測模型的預測效果最好，預測能力僅略優於投資人情緒的房價預測模型，但兩者的預
測能力差距不大。

附錄 A：不動產上應用 Google 搜尋量指數與建構關注指標

1. Google Trends 介紹
Google Trends 的前身為 Google Insights for Search，是 Google 公司在 2006 年開始上線
提供的服務，使用者們可以透過輸入搜尋字詞或是主題名稱來瞭解不同關鍵字的搜尋量趨勢
變化及相對數值大小。除了時間序列資料外也有橫斷面各個國家地區的數據資料。時間序列
資料最早從 2004 年 1 月開始有搜尋量的數據資料，至於橫斷面資料部分有全球的總搜尋趨
勢及包含台灣在內的個別國家地區資料。舉台灣地區的數據為例，全台灣的搜尋量資料最早
從 2004 年 1 月開始，除了全台灣數據之外也有六個子地區的數據，分別是台北市、新北市、
桃園市、台中市、台南市及高雄市，不過子地區的搜尋量數據從 2016 年 7 月以後才有提供。
Google Trends 有將所有的搜尋字詞依照不同主題有所分類，內建的類別共有 23 個，分
別是工商業、汽車與交通工具、房地產、法律與政府、保健、科學、美容與健身、家居與園藝、
旅遊、財經、參考資料、新聞、遊戲、運動、電腦和電子產品、圖書與文學、網際網路與電信、
線上社群、興趣與休閒、餐飲、購物、寵物與動物、藝術與娛樂。而各個類別底下又有再細分
成不同的小類別。舉房地產類別為例，其底下又細分成 8 個子類別，分別是公寓與住宅出租、
分時渡假與渡假性質房地產、房地產代理商、房地產開發、房地產資訊、物業檢查與估價、商
用與投資型不動產、資產管理。
 房市參與者之關注會影響房價嗎？ 519

透過輸入關鍵字後即可看到關鍵字搜尋量的趨勢變化，如設定「台灣」地區並選擇「房地
產」類別後輸入「住宅」這個關鍵字後可以得到房地產相關的「住宅」這個字詞搜尋量數據及
變化趨勢圖。搜尋量數據部分依照時間長短選擇，可以取得每週或是每個月的搜尋量數據。
Google Trends 所提供的搜尋量數據非實際搜尋量多寡，而是將某個地區在既定時間區間內對
於某個搜尋字詞的搜尋量除以該地區該時間區間內的所有搜尋量，以此方法來計算出一個介
於 0 與 100 之間的數值，數值越高代表該搜尋字詞在特定地區及時間範圍內的熱門程度越
高，若數值為 0 則代表資料量不足因而無法計算。若是想要得知整個分類而不是特定關鍵字
的搜尋量變化趨勢，則僅需要設定類別而不需要輸入特定關鍵字即可獲得該類別的整體搜尋
量變化數據，如設定「房地產」類別後不輸入任何關鍵字即可得到台灣所有與房地產相關詞
彙整體搜尋量的變化趨勢。至於如果想知道多個關鍵字組合的總搜尋量變化，則可以使用「+」
將關鍵字連接起來。
2. 使用 Google 搜尋量指數衡量關注的有效性
大部分指標都有時間的落後，沒有即時性。尤其如果是以問卷調查為基礎的指標，資料
蒐集過程曠日廢時且成本高，此外，究竟問卷設計填答者跟實際填答人是否一致是受到質疑
的，至於填答人有無誠實作答也是另一個問題。Google 關鍵字搜尋量資料則有許多好處，更
解決很多上述的問題。Google 公司所提供 Google Trends 服務網頁的數據資料公開且皆可取
得，而搜尋量數據可以透過特定類別或是關鍵字來篩選出想獲取的數據，只要鍵入正確的關
鍵字，基本上會揭露搜尋者需要且未受扭曲的資訊。
總結過往學者的研究以及說法，Google 搜尋量指數，即 Google SVI 會是好的關注指標
的，第一點是由於相較於使用廣告、新聞等資訊所抓取的被動投資人關注，Google 搜尋量能
直接呈現出投資人真實有興趣的事物，是主動的投資人關注。其次，根據過往學者實證結果，
Google 搜尋量所抓取的搜尋量主要來自於個體投資人，大型法人投資人若有投資需求可能會
透過不動產代理商或其他管道找尋投資標的，本研究主要探究台灣的個體投資人關注對房市
影響，故可以使用。再者在網際網路發達且普及化的年代，個體投資人在尋找投資標的時會
增加使用網路搜尋的機率。而過往已有學者在美國不動產市場實證中使用 Google SVI 當作
投資人關注，進行實證分析並發現關於不動產的 Google SVI 對於房市具有影響效果，且能提
升房市模型的預測能力。
520 管理與系統

附錄 B：台北市房市投資人情緒樣本內迴歸結果與房價預測圖

變數 (1) (2)
∆SENTt 0.0004
(0.0008)
∆SENTt-1 -0.0005
(0.0008)
∆MBt 0.4165*** 0.4210***
(0.1481) (0.1442)
∆2)3t 0.0489* 0.0519*
(0.0277) (0.0280)
∆44 t 0.3424** 0.3532**
(0.1387) (0.1399)
∆567t 0.0063 0.0066
(0.0051) (0.0051)
Constant 0.0026* 0.0025*
(0.0014) (0.0014)
BC# 0.1125 0.1137
F-Stat. 4.9048 4.9270
DW-Stat. 1.865 1.858
Obs. 155 154

1.50%

1.00%

0.50%

0.00%

-0.50%

-1.00%

-1.50%

-2.00%
Jan-19 Feb-19 Mar-19 Apr-19 May-19 Jun-19 Jul-19 Aug-19 Sep-19 Oct-19 Nov-19 Dec-19

當期投資人情緒模型預測房價 實際房價

參考文獻

朱芳妮、陳明吉，
「從行為經濟學看台灣不動產市場：羅伯特席勒教授來台演講之省思與啟示」
，
住宅學報，第二十七卷第二期，民國 107 年，111-128 頁。
朱芳妮、楊茜文、黃御維、陳明吉，
「媒體傳播效應與房市變化關聯性之驗證」
，管理學報，第
 房市參與者之關注會影響房價嗎？ 521

三十七卷第三期，民國 109a 年，225-257 頁。

朱芳妮、楊茜文、蘇子涵、陳明吉，
「情緒會影響房市嗎?指數編制與驗證」
，住宅學報，第二
十九卷第二期，民國 109b 年，35-68 頁。
李永隆、杜玉振、王瑋瑄，
「Google 搜尋量指數對臺灣股票報酬與成交量之影響」
，管理與系
統，第二十四卷第四期，民國 106 年，565-590 頁。
吳森田， ，住宅學報，第二期，民國 83 年，
「所得、貨幣與房價－近二十年台北地區的觀察」
49-65 頁。
林左裕， ，應用經濟論叢，第一百零五期，民國 108 年，
「應用網路搜尋行為預測房地產市場」
219-251 頁。
陳明吉、蔡怡純， ，經濟論文，第三十五卷第三期，民國 96 年，315-
「房價蛛網與投資人行為」
344 頁。
蔡怡純、陳明吉，
「台北地區不動產價格波動之不對稱性探討」
，住宅學報，第十七卷第二
期，民國 97 年，1-11 頁。
Abraham, J. M. and Hendershott, P. H., “Patterns and Determinants of Metropolitan House Prices,
1977 to 1991,” In L. E. Browne and E. S. Rosengren (Eds.), Real Estate and the Credit Crunch,
Boston: Federal Reserve Bank of Boston, 1992, pp. 18-42.
Abraham, J. M. and Hendershott, P. H., “Bubbles in Metropolitan Housing Markets,” Journal of
Housing Research, Vol. 7, No. 2, 1996, pp. 191-207.
Amin, R. and Ahmad, H., “Does Investor Attention Matter’s?” Journal of Public Administration,
Finance and Law, Issue 4, 2013, pp. 111-125.
Barber, B. M. and Odean, T., “All that Glitters: The Effect of Attention and News on the Buying
Behavior of Individual and Institutional Investors,” The Review of Financial Studies, Vol. 21, Issue
2, 2008, pp. 785-818.
Beracha, E. and Wintoki, M. B., “Forecasting Residential Real Estate Price Changes from Online
Search Activity,” Journal of Real Estate Research, Vol. 35, Issue 3, 2013, pp. 283-312.
Brooks, C. and Tsolacos, S., “Forecast Evaluation,” In C. Brooks and S. Tsolacos (Eds.), Real Estate
Modelling and Forecasting, Cambridge University Press, Cambridge, 2010, pp. 268-312.
Chen, M. C. and Patel, K., “House Price Dynamics and Granger Causality: An Analysis of Taipei
New Dwelling Market,” Journal of the Asian Real Estate Society, Vol. 1, No. 1, 1998, pp. 101-126.
Chen, M. C. and Patel, K., “An Empirical Analysis of Determination of Housing Prices in the Taipei
Area,” Taiwan Economic Review, Vol. 30, No. 4, 2002, pp. 563-595.
Chen, H., Harrison, D., and Khoshnoud, M., “Investors’ Limited Attention: Evidence from REITs,”
The Journal of Real Estate Finance and Economics, Vol. 61, 2020, 408-442.
Chen, M. C., Chang, C. O., Yang, C. Y., and Hsieh, B. M., “Investment Demand and Housing Prices
in an Emerging Economy,” Journal of Real Estate Research, Vol. 34, Issue 3, 2012, pp. 345-374.
Choi, H. and Varian, H., “Predicting the Present with Google Trends,” Economic Record, Vol. 88,
522 管理與系統

Issue s1, 2012, pp. 2-9.

Da, Z., Engelberg, J., and Gao, P., “In Search of Attention,” Journal of Finance, Vol. Issue 5, 2011,
pp. 1461-1499.
Dietzel, M. A., Braun, N., and Schaefers, W., “Sentiment-Based Commercial Real Estate Forecasting
with Google Search Volume Data,” Journal of Property Investment & Finance, Vol. 32, Issue 6,
2014, pp. 540-569.
Ding, R. and Hou, W., “Retail Investor Attention and Stock Liquidity,” Journal of International
Financial Markets, Institutions & Money, Vol. 37, 2015, pp. 12-26.
Fama, E., “Efficient Capital Markets: A Review of Theory and Empirical Work,” Journal of Finance,
Vol. 25, No. 2, 1970, pp. 383-417.
Fang, L. and Peress, J., “Media Coverage and the Cross-Section of Stock Returns,” Journal of Finance,
Vol. 64, Issue 5, 2009, pp. 2023-2052.
Forester, S. R. and Karolyi, G. A., “The Effects of Market Segmentation and Investor Recognition on
Asset Prices: Evidence from Foreign Stocks Listing in the United States,” Journal of Finance, Vol.
54, No. 3, 1999, pp. 981-1013.
Grullon, G., Kanatas, G., and Weston, J. P., “Advertising, Breadth of Ownership, and Liquidity,” The
Review of Financial Studies, Vol. 17, No. 2, 2004, pp. 439-461.
Himmelberg, C., Mayer, C., and Sinai, T., “Assessing High House Prices: Bubbles, Fundamentals and
Misperceptions,” Journal of Economic Perspectives, Vol. 19, No. 4, Journal of Economic
Perspectives, 2005, pp. 67-92.
Hohenstatt, R., Käsbauer, M., and Schäfers, W., ““Geco” and its Potential for Real Estate Research:
Evidence from the U.S. Housing Market,” Journal of Real Estate Research, Vol. 33, Issue 4, 2011,
pp. 471-506.
Huang, M. Y., Rojas, R. R., and Convery, P. D. “Forecasting Stock Market Movements Using Google
Trend Searches,” Empirical Economics, Vol. 59, 2020, pp. 2821-2839.
Lehavy, R. and Sloan, R. G., “Investor Recognition and Stock Returns,” Review of Accounting Studies,
Vol. 13, 2008, pp. 327-361.
Limnios, A. C. and You, H., “Can Google Trends Improve Housing Market Forecasts?” Curiosity:
Interdisciplinary Journal of Research and Innovation, Vol. 1, Issue 2, 2021, pp. 1-17.
Mbanga, C., Darrat, A. F., and Park, J. C., “Investor Sentiment and Aggregate Stock Returns: The
Role of Investor Attention,” Review of Quantitative Finance and Accounting, Vol. 53, Issue 2, 2019,
pp. 397-428.
McLaren, N. and Shanbhogue, R., “Using Internet Search Data as Economic Indicators,” Bank of
England Quarterly Bulletin, No. 2011 Q2, 2011, pp. 134-140.
Meen, G. P., “The Removal of Mortgage Market Constraints and the Implications for Econometric
Modelling of UK House Prices,” Oxford Bulletin Economics and Statistics, Vol. 52, Issue 1, 1990,
 房市參與者之關注會影響房價嗎？ 523

pp. 1-23.
Merton, R. C., “A Simple Model of Capital Market Equilibrium with Incomplete Information,”
Journal of Finance, Vol. 42, Issue 3, 1987, pp. 483-510.
Peng, L. and Xiong, W., “Investor Attention, Overconfidence and Category Learning,” Journal of
Financial Economics, Vol. 80, Issue 3, 2006, pp. 563-602.
Peng, L., Xiong, W., and Bollerslev, T., “Investor Attention and Time-Varying Comovements,”
European Financial Management, Vol. 13, Issue, 3, 2007, pp. 394-422.
Soo, C. K., “Quantifying Sentiment with News Media across Local Housing Markets,” The Review
of Financial Studies, Vol. 31, Issue 10, 2018, pp. 3689-3719.
Tierney, H. L. R. and Pan, B., “A Poisson Regression Examination of the Relationship Between
Website Traffic and Search Engine Queries,” Netnomics: Economic Research and Electronic
Networking, Vol. 13, Issue 3, 2012, pp. 155-189.
Webb, G. K., “Internet Search Statistics as A Source of Business Intelligence: Searches on Foreclosure
as an Estimate of Actual Home Foreclosures,” Issues in Information Systems, Vol. 10, Issue 2, 2009,
pp. 82-87.
Wu, L. and Brynjolfsson, E., “The Future of Prediction: How Google Searches Foreshadow Housing
Prices and Sales,” In A. Goldfarb, S. M. Greenstein and C. E. Tucker (Eds.), Economic Analysis of
the Digital Economy, University of Chicago Press, 2015, pp. 89-118.
Yung, K. and Nafar, N., “Investor Attention and the Expected Returns of REITs,” International
Review of Economics and Finance, Vol. 48, 2017, pp. 423-439.