{"topic":{"id":15253,"title":"理性人房价定价模型（例：西安小寨赛格附近数据）","slug":"topic","categoryId":4,"createdAt":"2025-11-27 11:25:03.615987","bumpedAt":"2026-07-14T09:42:30.218Z","views":524,"postsCount":21,"highestPostNumber":21,"likeCount":16,"closed":false,"pinned":false,"excerpt":"由于公式渲染问题，贴张渲染好的图摘要本报告旨在通过房价定价模型，对特定城市的住宅理论价格进行估值。模型引入杰弗里·韦斯特（Geoffrey West）与路易斯·贝当古（Luis Bettencourt）的城市标度律（Urban Scaling Laws），设定人口对租金的弹性系数 k=1.25k=1.25k=1.25。以 2024 年西安市人口数据及市场参数为基础，测算出在当前国债收益率与流动性环境下，单位平米的理性估值区间。模…","deletedAt":null,"isAnonymous":false,"category":{"id":4,"name":"谈笑风生","slug":"general","color":"25AAE2"},"author":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null},"tags":[]},"posts":[{"id":68359,"postNumber":1,"raw":"由于公式渲染问题，贴张渲染好的图\n![ad14e5d03070d99ae7860d08cee1af0a|313x500](/uploads/image/dc/85/dc858276d45d1de03f10014fb51203299238b6d88086a1988ea493a7137e712a.avif)\n\n\n\n## 摘要\n\n本报告旨在通过房价定价模型，对特定城市的住宅理论价格进行估值。\n\n模型引入杰弗里·韦斯特（Geoffrey West）与路易斯·贝当古（Luis Bettencourt）的**城市标度律（Urban Scaling Laws）**，设定人口对租金的弹性系数 $k=1.25$。以 2024 年西安市人口数据及市场参数为基础，测算出在当前国债收益率与流动性环境下，**单位平米的理性估值区间**。\n\n## 模型\n\n### 城市标度律\n根据 Bettencourt 等人的研究《Growth, innovation, scaling, and the pace of life in cities》，城市并非简单的线性放大，而是具有生物有机体般的标度特征。\n* **超线性标度 ($\\beta > 1$)**：社会经济产出（GDP、工资、创新专利、犯罪率等）与人口规模呈 $Y \\propto N^\\beta$ 关系，其中 $\\beta \\approx 1.15 \\sim 1.30$。\n* **本报告设定**：取 $k=1.25$。这意味着**人口每增长 1%，由于集聚效应带来的生产率提升，将推动内生性租金（及预期收入）增长 1.25%**。\n\n### 理性人定价模型\n采用戈登增长模型（Gordon Growth Model）的变体，将房产视为一种产生永续现金流的资产。\n\n$$\nP = \\frac{NOI}{Cap Rate} = \\frac{R \\times 12 \\times (1 - V) \\times (1 - M)}{r_f + L + T - g} \n$$\n\n其中增长率 $g = k \\cdot \\Delta P$。\n\n## 参数测算与分析\n\n* **基础月租金 ($R$)**: 30 元/平米。\n* **空置率 ($V$)**: 10% ------ 反映了摩擦性空置及市场供需错配风险。\n* **运营成本率 ($M$)**: 15% ------ 涵盖物业费、取暖费、中介佣金、保险及房屋维修基金摊销。\n* **无风险利率 ($r_f$)**: 2.15% ------ 锚定 30 年期超长期特别国债收益率，代表资金的时间价值。\n* **房产税 ($T$)**: 0% ------ 暂不考虑持有环节税收。\n\n\n### 流动性折价 ($L$)\n\n由于房产变现周期长（去化周期），且存在价格波动风险，理性投资者要求流动性折价。\n\n当前二线城市二手房平均去化周期较长，假设为 18 个月。相对于 T+0 的股票或债券，房产具有极高的**非流动性成本**。参考私募地产基金（PERE）标准，流动性溢价通常在 $1.5\\% \\sim 3.0\\%$ 之间。\n\n> 设定：取 **$L = 2.25\\%$**。\n\n\n### 增长率（$g$）\n\n**人口流入率** ($\\Delta P$)\n根据西安统计数据：\n* 2024 年末常住人口：1316.76 万人\n* 当年增量：8.94 万人\n* **人口增长率 ($\\Delta P$)**：\n $$ \\Delta P = \\frac{8.94}{1316.76 - 8.94} \\approx 0.6836\\% $$\n\n基于城市标度律弹性系数 $k=1.25$：\n$$ g = k \\times \\Delta P = 1.25 \\times 0.6836\\% \\approx 0.8545\\% $$\n> 注：此为名义增长率，假设通胀环境温和。\n\n\n## 计算代码\n\n\n```python\nimport numpy as np\nimport pandas as pd\nimport matplotlib.pyplot as plt\nimport seaborn as sns\n\nclass RealEstateValuation:\n def __init__(self, R, V, M, rf, T, pop_current, pop_increase, k=1.25):\n \"\"\"\n 初始化估值模型参数\n :param R: 月租金 (元/平米)\n :param V: 空置率 (0-1)\n :param M: 维护费用比例 (0-1)\n :param rf: 无风险利率 (0-1)\n :param T: 房产税率 (0-1)\n :param pop_current: 当前年末人口\n :param pop_increase: 当年新增人口\n :param k: 城市标度律弹性系数 (默认为 1.25)\n \"\"\"\n self.R = R\n self.V = V\n self.M = M\n self.rf = rf\n self.T = T\n self.k = k\n \n # 计算人口增长率 delta_P\n pop_start = pop_current - pop_increase\n self.delta_P = pop_increase / pop_start\n \n # 计算年净营运收入 (NOI)\n self.noi = self.R * 12 * (1 - self.V) * (1 - self.M)\n\n def calculate_price(self, L):\n \"\"\"\n 计算理性房价\n :param L: 流动性折价/风险溢价 (0-1)\n :return: 估值 (元/平米), 资本化率\n \"\"\"\n # 增长率 g = k * delta_P\n g = self.k * self.delta_P\n \n # 分母：r_f + L + T - g\n cap_rate = self.rf + L + self.T - g\n \n # 安全检查：防止分母为负或过小 (意味着增长率超过了折现率，导致价格无穷大)\n if cap_rate <= 0.001:\n return np.inf, cap_rate\n \n price = self.noi / cap_rate\n return price, cap_rate\n\n def sensitivity_analysis(self):\n \"\"\"\n 敏感性分析：流动性折价 (L) vs 人口流入率变化 (Delta P)\n \"\"\"\n # 设定 L 的变化范围：1.5% 到 3.0%\n l_range = np.linspace(0.015, 0.03, 15)\n \n # 设定人口流入率的变化范围\n # 当前增速约为 0.68%，我们模拟 -0.5% 到 2.0%\n p_growth_range = np.linspace(-0.005, 0.02, 25)\n \n results = np.zeros((len(l_range), len(p_growth_range)))\n \n print(f\"{'='*60}\")\n print(\"基准数据分析 (Base Case):\")\n print(f\"NOI (年净收入): {self.noi:.2f} 元/平米\")\n print(f\"实际人口增长率：{self.delta_P*100:.4f}%\")\n print(f\"租金预期增长率 (g): {self.k * self.delta_P * 100:.4f}%\")\n print(f\"{'='*60}\\n\")\n \n # 存储用于绘图的数据\n df_heatmap = pd.DataFrame(index=[f\"L={x*100:.1f}%\" for x in l_range],\n columns=[f\"ΔP={x*100:.2f}%\" for x in p_growth_range])\n\n for i, l_val in enumerate(l_range):\n for j, p_val in enumerate(p_growth_range):\n # 临时覆盖 delta_P 进行模拟\n original_delta_p = self.delta_P\n self.delta_P = p_val\n \n price, _ = self.calculate_price(l_val)\n results[i, j] = price\n df_heatmap.iloc[i, j] = int(price)\n \n # 恢复 delta_P\n self.delta_P = original_delta_p\n \n return df_heatmap\n\n# ============================\n# 执行计算\n# ============================\n\n# 输入参数\nxi_an_params = {\n 'R': 30, # 月租金 30 元/平米\n 'V': 0.10, # 空置率 10%\n 'M': 0.15, # 维护费 15%\n 'rf': 0.0215, # 30Y 国债 2.15%\n 'T': 0.00, # 税 0%\n 'pop_current': 1316.76, # 年末人口\n 'pop_increase': 8.94 # 新增人口\n}\n\n# 实例化模型\nmodel = RealEstateValuation(**xi_an_params)\n\n# 1. 计算不同流动性折价下的基准估值\nliquidity_scenarios = [0.015, 0.0225, 0.030] # 乐观 (1.5%), 中性 (2.25%), 悲观 (3.0%)\nprint(f\"{'流动性折价 (L)':<15} | {'估值 (元/平米)':<15}\")\nprint(\"-\" * 40)\nfor liq in liquidity_scenarios:\n price, cap_rate = model.calculate_price(liq)\n print(f\"{liq*100:.2f}%{' ':<15} | {price:,.2f}\")\n\nprint(\"\\n\")\n\n# 2. 敏感性分析矩阵\ndf_results = model.sensitivity_analysis()\nprint(\"敏感性分析矩阵 (房价估值：元/平米):\")\nprint(\"行：流动性折价 (L), 列：人口增长率 (ΔP)\")\nprint(df_results)\n\ntry:\n plt.figure(figsize=(20, 12))\n sns.heatmap(df_results.astype(float), annot=True, fmt=\".0f\", cmap=\"RdYlGn\", center=7000)\n plt.title(\"Housing Valuation Sensitivity: Liquidity(L) vs Pop Growth(ΔP)\")\n plt.xlabel(\"Population Growth Rate\")\n plt.ylabel(\"Liquidity Discount (L)\")\n plt.savefig(\"heatmap.png\")\n print(\"\\n[注]：热力图已生成。\")\nexcept Exception as e:\n print(e)\n print(\"绘图库不可用。\")\n```\n\n## 结果\n\n---\n\n流动性折价 (L) | 估值 (元/平米) \n----------------------------------------\n1.50% | 9,851.46\n2.25% | **7,767.54**\n3.00% | 6,411.32\n\n---\n\n敏感性分析矩阵 (不同人口净增速不同流动性折价的定价结果)\n\n![image|690x413](/uploads/image/2c/8b/2c8bffe15a6e62d33f82c073fad58356e9e56a23b135a692dae48f4c72055ce8.avif)","cooked":"

由于公式渲染问题，贴张渲染好的图
\n $\"ad14e5d03070d99ae7860d08cee1af0a|313x500\"$

摘要

本报告旨在通过房价定价模型，对特定城市的住宅理论价格进行估值。

模型引入杰弗里·韦斯特（Geoffrey West）与路易斯·贝当古（Luis Bettencourt）的城市标度律（Urban Scaling Laws），设定人口对租金的弹性系数 $k=1.25$ 。以 2024 年西安市人口数据及市场参数为基础，测算出在当前国债收益率与流动性环境下，单位平米的理性估值区间。

模型

城市标度律

根据 Bettencourt 等人的研究《Growth, innovation, scaling, and the pace of life in cities》，城市并非简单的线性放大，而是具有生物有机体般的标度特征。

超线性标度 ( $\\beta > 1$ )：社会经济产出（GDP、工资、创新专利、犯罪率等）与人口规模呈 $Y \\propto N^\\beta$ 关系，其中 $\\beta \\approx 1.15 \\sim 1.30$ 。
本报告设定：取 $k=1.25$ 。这意味着人口每增长 1%，由于集聚效应带来的生产率提升，将推动内生性租金（及预期收入）增长 1.25%。

理性人定价模型

采用戈登增长模型（Gordon Growth Model）的变体，将房产视为一种产生永续现金流的资产。

\nP = \\frac{NOI}{Cap Rate} = \\frac{R \\times 12 \\times (1 - V) \\times (1 - M)}{r_f + L + T - g} \n

其中增长率 $g = k \\cdot \\Delta P$ 。

参数测算与分析

基础月租金 ( $R$ ): 30 元/平米。
空置率 ( $V$ ): 10% ------ 反映了摩擦性空置及市场供需错配风险。
运营成本率 ( $M$ ): 15% ------ 涵盖物业费、取暖费、中介佣金、保险及房屋维修基金摊销。
无风险利率 ( $r_f$ ): 2.15% ------ 锚定 30 年期超长期特别国债收益率，代表资金的时间价值。
房产税 ( $T$ ): 0% ------ 暂不考虑持有环节税收。

流动性折价 ( $L$ )

由于房产变现周期长（去化周期），且存在价格波动风险，理性投资者要求流动性折价。

当前二线城市二手房平均去化周期较长，假设为 18 个月。相对于 T+0 的股票或债券，房产具有极高的非流动性成本。参考私募地产基金（PERE）标准，流动性溢价通常在 $1.5\\% \\sim 3.0\\%$ 之间。

\n
设定：取 $L = 2.25\\%$ 。
\n

增长率（ $g$ ）

人口流入率 ( $\\Delta P$ )
\n根据西安统计数据：

2024 年末常住人口：1316.76 万人
当年增量：8.94 万人
人口增长率 ( $\\Delta P$ )：
\n
$\\Delta P = \\frac{8.94}{1316.76 - 8.94} \\approx 0.6836\\%$

基于城市标度律弹性系数 $k=1.25$ ：
\n

g = k \\times \\Delta P = 1.25 \\times 0.6836\\% \\approx 0.8545\\%

\n
注：此为名义增长率，假设通胀环境温和。
\n

计算代码

import numpy as np\nimport pandas as pd\nimport matplotlib.pyplot as plt\nimport seaborn as sns\n\nclass RealEstateValuation:\n    def __init__(self, R, V, M, rf, T, pop_current, pop_increase, k=1.25):\n        \"\"\"\n        初始化估值模型参数\n        :param R: 月租金 (元/平米)\n        :param V: 空置率 (0-1)\n        :param M: 维护费用比例 (0-1)\n        :param rf: 无风险利率 (0-1)\n        :param T: 房产税率 (0-1)\n        :param pop_current: 当前年末人口\n        :param pop_increase: 当年新增人口\n        :param k: 城市标度律弹性系数 (默认为 1.25)\n        \"\"\"\n        self.R = R\n        self.V = V\n        self.M = M\n        self.rf = rf\n        self.T = T\n        self.k = k\n        \n        # 计算人口增长率 delta_P\n        pop_start = pop_current - pop_increase\n        self.delta_P = pop_increase / pop_start\n        \n        # 计算年净营运收入 (NOI)\n        self.noi = self.R * 12 * (1 - self.V) * (1 - self.M)\n\n    def calculate_price(self, L):\n        \"\"\"\n        计算理性房价\n        :param L: 流动性折价/风险溢价 (0-1)\n        :return: 估值 (元/平米), 资本化率\n        \"\"\"\n        # 增长率 g = k * delta_P\n        g = self.k * self.delta_P\n        \n        # 分母：r_f + L + T - g\n        cap_rate = self.rf + L + self.T - g\n        \n        # 安全检查：防止分母为负或过小 (意味着增长率超过了折现率，导致价格无穷大)\n        if cap_rate <= 0.001:\n            return np.inf, cap_rate\n        \n        price = self.noi / cap_rate\n        return price, cap_rate\n\n    def sensitivity_analysis(self):\n        \"\"\"\n        敏感性分析：流动性折价 (L) vs 人口流入率变化 (Delta P)\n        \"\"\"\n        # 设定 L 的变化范围：1.5% 到 3.0%\n        l_range = np.linspace(0.015, 0.03, 15)\n        \n        # 设定人口流入率的变化范围\n        # 当前增速约为 0.68%，我们模拟 -0.5% 到 2.0%\n        p_growth_range = np.linspace(-0.005, 0.02, 25)\n        \n        results = np.zeros((len(l_range), len(p_growth_range)))\n        \n        print(f\"{'='*60}\")\n        print(\"基准数据分析 (Base Case):\")\n        print(f\"NOI (年净收入): {self.noi:.2f} 元/平米\")\n        print(f\"实际人口增长率：{self.delta_P*100:.4f}%\")\n        print(f\"租金预期增长率 (g): {self.k * self.delta_P * 100:.4f}%\")\n        print(f\"{'='*60}\\n\")\n        \n        # 存储用于绘图的数据\n        df_heatmap = pd.DataFrame(index=[f\"L={x*100:.1f}%\" for x in l_range],\n                                  columns=[f\"ΔP={x*100:.2f}%\" for x in p_growth_range])\n\n        for i, l_val in enumerate(l_range):\n            for j, p_val in enumerate(p_growth_range):\n                # 临时覆盖 delta_P 进行模拟\n                original_delta_p = self.delta_P\n                self.delta_P = p_val\n                \n                price, _ = self.calculate_price(l_val)\n                results[i, j] = price\n                df_heatmap.iloc[i, j] = int(price)\n                \n                # 恢复 delta_P\n                self.delta_P = original_delta_p\n        \n        return df_heatmap\n\n# ============================\n# 执行计算\n# ============================\n\n# 输入参数\nxi_an_params = {\n    'R': 30,             # 月租金 30 元/平米\n    'V': 0.10,           # 空置率 10%\n    'M': 0.15,           # 维护费 15%\n    'rf': 0.0215,        # 30Y 国债 2.15%\n    'T': 0.00,           # 税 0%\n    'pop_current': 1316.76, # 年末人口\n    'pop_increase': 8.94    # 新增人口\n}\n\n# 实例化模型\nmodel = RealEstateValuation(**xi_an_params)\n\n# 1. 计算不同流动性折价下的基准估值\nliquidity_scenarios = [0.015, 0.0225, 0.030] # 乐观 (1.5%), 中性 (2.25%), 悲观 (3.0%)\nprint(f\"{'流动性折价 (L)':<15} | {'估值 (元/平米)':<15}\")\nprint(\"-\" * 40)\nfor liq in liquidity_scenarios:\n    price, cap_rate = model.calculate_price(liq)\n    print(f\"{liq*100:.2f}%{' ':<15} | {price:,.2f}\")\n\nprint(\"\\n\")\n\n# 2. 敏感性分析矩阵\ndf_results = model.sensitivity_analysis()\nprint(\"敏感性分析矩阵 (房价估值：元/平米):\")\nprint(\"行：流动性折价 (L), 列：人口增长率 (ΔP)\")\nprint(df_results)\n\ntry:\n    plt.figure(figsize=(20, 12))\n    sns.heatmap(df_results.astype(float), annot=True, fmt=\".0f\", cmap=\"RdYlGn\", center=7000)\n    plt.title(\"Housing Valuation Sensitivity: Liquidity(L) vs Pop Growth(ΔP)\")\n    plt.xlabel(\"Population Growth Rate\")\n    plt.ylabel(\"Liquidity Discount (L)\")\n    plt.savefig(\"heatmap.png\")\n    print(\"\\n[注]：热力图已生成。\")\nexcept Exception as e:\n    print(e)\n    print(\"绘图库不可用。\")\n

结果

流动性折价 (L) | 估值 (元/平米)

1.50% | 9,851.46
\n2.25% | 7,767.54
\n3.00% | 6,411.32

敏感性分析矩阵 (不同人口净增速不同流动性折价的定价结果)

$\"image|690x413\"$

\n","createdAt":"2025-11-27 11:25:03.768209","updatedAt":"2025-12-01 07:14:38.76714","replyToPostNumber":null,"replyCount":0,"likeCount":0,"wordCount":1551,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":4,"publicVersion":4,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68360,"postNumber":2,"raw":"![image|585x105](/uploads/image/4b/4e/4b4ef1c1c653af545c87c36ad5b1773b2694b1b6cbd1ce7327dc78be21f2efb1.avif)\n\n公式渲染有问题，放个图","cooked":"

$\"image|585x105\"$

公式渲染有问题，放个图

\n","createdAt":"2025-11-27 11:25:48.185946","updatedAt":"2025-11-27 11:25:48.185946","replyToPostNumber":null,"replyCount":0,"likeCount":0,"wordCount":12,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68361,"postNumber":3,"raw":"![8230b463e3f7e1f99a65919c3c247bdb_720|526x500](/uploads/image/ad/49/ad498d038e9e523fa6d7631fc6cd45372215cdd9f3072e05daa65512a04a28f7.avif)\n\n某平台给的二手房房价地图，看起来离**理性**价格 **7,767.54**(偏核心地段) **至少** 还有 25% 的跌幅\n> 注：理性价格并非指底部价格，可能回归到理性后企稳，也可能因恐慌继续下跌。","cooked":"

$\"8230b463e3f7e1f99a65919c3c247bdb_720|526x500\"$

某平台给的二手房房价地图，看起来离理性价格 7,767.54(偏核心地段) 至少还有 25% 的跌幅

\n
注：理性价格并非指底部价格，可能回归到理性后企稳，也可能因恐慌继续下跌。
\n

\n","createdAt":"2025-11-27 11:32:39.471996","updatedAt":"2025-11-29 11:24:49.549461","replyToPostNumber":null,"replyCount":1,"likeCount":0,"wordCount":78,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":5,"publicVersion":5,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68364,"postNumber":4,"raw":"Xian 还是便宜，我附近跟你差不多的 2 线城市 2 万","cooked":"

Xian 还是便宜，我附近跟你差不多的 2 线城市 2 万

\n","createdAt":"2025-11-27 13:51:12.655245","updatedAt":"2025-11-27 13:51:12.655245","replyToPostNumber":3,"replyCount":1,"likeCount":0,"wordCount":21,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7075,"username":"jbden","name":null,"avatarUrl":"/uploads/image/1e/8b/1e8bab3b6f297391fe23ceb66e7a57cad9bc903396007c9a08d6536889e5dcfe.avif","admin":false,"moderator":false,"signatureRaw":null,"signatureCooked":null}},{"id":68365,"postNumber":5,"raw":"也是二手房的价格吗，Xian 新房的溢价好像挺高的，我就选了二手房","cooked":"

也是二手房的价格吗，Xian 新房的溢价好像挺高的，我就选了二手房

\n","createdAt":"2025-11-27 14:04:26.000567","updatedAt":"2025-11-27 14:04:26.000567","replyToPostNumber":4,"replyCount":1,"likeCount":0,"wordCount":28,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68366,"postNumber":6,"raw":"建模，还挺有意思","cooked":"

建模，还挺有意思

\n","createdAt":"2025-11-27 14:04:39.570208","updatedAt":"2025-11-27 14:04:39.570208","replyToPostNumber":null,"replyCount":0,"likeCount":0,"wordCount":8,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":346,"username":"hoist","name":null,"avatarUrl":"/uploads/image/0d/cd/0dcdf69d213b6798002779ad4b729567cd4d889ee4a56c07a8c4454e8b563219.avif","admin":false,"moderator":false,"signatureRaw":null,"signatureCooked":null}},{"id":68367,"postNumber":7,"raw":"二手 9 层以下洋房","cooked":"

二手 9 层以下洋房

\n","createdAt":"2025-11-27 14:05:37.195365","updatedAt":"2025-11-27 14:05:50.346481","replyToPostNumber":5,"replyCount":0,"likeCount":0,"wordCount":8,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7075,"username":"jbden","name":null,"avatarUrl":"/uploads/image/1e/8b/1e8bab3b6f297391fe23ceb66e7a57cad9bc903396007c9a08d6536889e5dcfe.avif","admin":false,"moderator":false,"signatureRaw":null,"signatureCooked":null}},{"id":68368,"postNumber":8,"raw":"![ac2865b011b9a723ff33fb8e42e0c908|690x304](/uploads/image/b8/aa/b8aa488b486d6489504a60d190eb433c11bf7f547f193179467912af5b139de7.avif)\n（网图）\n\n日本除了东京都市圈，都出现了逆城市化的迹象，特别是大阪都市圈持续收缩。\n\n模型里给西安的人口增速用的是 24 年的（增长挺快的一年）未来不见得能持续。","cooked":"

$\"ac2865b011b9a723ff33fb8e42e0c908|690x304\"$
\n（网图）

日本除了东京都市圈，都出现了逆城市化的迹象，特别是大阪都市圈持续收缩。

模型里给西安的人口增速用的是 24 年的（增长挺快的一年）未来不见得能持续。

\n","createdAt":"2025-11-27 14:15:46.035373","updatedAt":"2025-11-27 14:15:46.035373","replyToPostNumber":null,"replyCount":1,"likeCount":2,"wordCount":75,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":2,"users":[{"id":346,"username":"hoist","name":null},{"id":7075,"username":"jbden","name":null}],"hasReacted":false}],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68369,"postNumber":9,"raw":"挤城市里没什么好的。\n\n我在城市边缘，开车 5 分钟能到村镇，可惜买不到“宅基地”，否则平房比鸽子笼住得不要爽太多。","cooked":"

挤城市里没什么好的。

我在城市边缘，开车 5 分钟能到村镇，可惜买不到“宅基地”，否则平房比鸽子笼住得不要爽太多。

\n","createdAt":"2025-11-27 14:58:33.690846","updatedAt":"2025-11-27 14:58:40.852982","replyToPostNumber":8,"replyCount":0,"likeCount":1,"wordCount":53,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":1,"users":[{"id":346,"username":"hoist","name":null}],"hasReacted":false}],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7075,"username":"jbden","name":null,"avatarUrl":"/uploads/image/1e/8b/1e8bab3b6f297391fe23ceb66e7a57cad9bc903396007c9a08d6536889e5dcfe.avif","admin":false,"moderator":false,"signatureRaw":null,"signatureCooked":null}},{"id":68379,"postNumber":10,"raw":"![G6zpKy2XgAI_IRU|639x500](/uploads/image/66/b1/66b13107cafb7a480bc1153a2e9506c3457591ee5cb293a6da6089155724f47f.avif)\n\n富裕国家会靠引入移民支撑人口，中国移民占比仍然很低（远低于儒家文化圈的日本韩国）","cooked":"

$\"G6zpKy2XgAI_IRU|639x500\"$

富裕国家会靠引入移民支撑人口，中国移民占比仍然很低（远低于儒家文化圈的日本韩国）

\n","createdAt":"2025-11-28 07:13:15.884342","updatedAt":"2025-11-28 07:13:15.884342","replyToPostNumber":null,"replyCount":0,"likeCount":0,"wordCount":41,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68419,"postNumber":11,"raw":"https://www.gsm.pku.edu.cn/info/1316/26708.htm\n\n> 北大光华这篇文章 2023-01-04 发表，当时 30 年期国债收益率是 3.2%\n\n![image|690x193](/uploads/image/13/5b/135b6be80f9d08649def4a75ebd6b80364c1bec842e243d9dbca3c34497a34ec.avif)\n\n说明上面的模型还是高估了（资本化率按 2.15% + 2.25%-0.85%），\n若按 REITs 的市场定价（无套利原则，资本化率使用 2.15% + 2.2%），西安偏核心区域的理性价格应该在**6964 元/平米**","cooked":"

https://www.gsm.pku.edu.cn/info/1316/26708.htm

\n
北大光华这篇文章 2023-01-04 发表，当时 30 年期国债收益率是 3.2%
\n

$\"image|690x193\"$

说明上面的模型还是高估了（资本化率按 2.15% + 2.25%-0.85%），
\n若按 REITs 的市场定价（无套利原则，资本化率使用 2.15% + 2.2%），西安偏核心区域的理性价格应该在6964 元/平米

\n","createdAt":"2025-11-29 11:45:11.523489","updatedAt":"2025-12-01 07:17:53.451963","replyToPostNumber":null,"replyCount":0,"likeCount":0,"wordCount":93,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":2,"publicVersion":2,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68421,"postNumber":12,"raw":"南华早报有专门的中国房地产板块新闻\n\nhttps://www.scmp.com/topics/china-property\n\n- 《南华早报》（South China Morning Post, SCMP）是香港销量最高的英文报纸\n- 2016 年被阿里巴巴集团收购。\n\nhttps://www.scmp.com/?module=masthead&pgtype=article\n\nhttps://www.scmp.com/business/article/3332746/chinas-housing-slide-deepens-october-prices-fall-fastest-pace-year\n\n\n## 以下是对这两篇报道的总结：\n\n\n### **1. 中国房地产市场尚未触底，将持续拖累经济增长约五年**\n- 前财政部长楼继伟指出，中国房地产市场目前仍处于下行阶段，**尚未见底**。\n- 房地产行业将在未来**大约五年内继续对整体经济增长构成拖累**，因其正处于结构性转型期。\n\n---\n\n### **2. 房地产不太可能引发系统性金融风险，但需政策应对**\n- 尽管大型开发商接连出现流动性危机、导致大量购房者“烂尾楼”问题，**楼继伟认为房地产不太可能成为系统性风险源头**。\n- 但他强调，**必须采取积极的财政与货币政策**，以抵消房地产低迷带来的负面经济影响。\n\n---\n\n### **3. 房地产下行加剧通缩压力，抑制消费**\n- 房市疲软已**抑制居民消费意愿**，并**加剧通货紧缩压力**。\n- 因此，**扩张性财政与货币政策需持续一段时间**，以稳定经济。\n\n---\n\n### **4. 政策重点不应仅是刺激投资与产出，而应推动结构性改革**\n- 楼继伟警告，不能一味追求 GDP 或投资增长，**必须推进深层次结构性改革**。\n- **户籍制度（hukou）改革是关键**：现有制度将教育、医疗、养老等公共服务与户籍绑定，阻碍了近 3 亿农民工在城市真正融入。\n- 改革户籍制度可**释放农民工的住房需求（购房或租房）**，从而提振房地产市场。\n\n---\n\n### **5. 户籍改革面临巨大阻力**\n- 尽管改革能刺激内需，但**推进难度极大**，因为会**触及地方政府利益**（如土地财政、公共服务分配等）。\n\n---\n\n### **6. 建议适时推出全国性房地产税**\n- 楼继伟重申其**12 年前提出的全国房产税建议**。\n- 程序性立法基础已在 2022 年前后完成，但因疫情和经济下行压力**被推迟实施**。\n- 未来应在“适当时机”推出，以建立地方财政新支柱、减少对土地出让金的依赖。\n\n---\n\n### **7. 官方数据印证房地产对经济的持续拖累**\n- 2025 年 1–10 月，**固定资产投资同比下降 1.7%**，降幅较 1–9 月扩大，主要受**房地产投资疲软和基建支出乏力**拖累。\n- **10 月新房价格环比下跌 0.5%**（70 城平均），为**近 12 个月最大跌幅**；同比下跌 2.6%。\n- 传统销售旺季（“金九银十”）表现惨淡，仅 6 个城市房价环比上涨。\n- 一线城市（经济较发达）新房价格也环比下跌 0.3%，显示**市场信心普遍低迷**。\n- 背后原因包括：**经济放缓、就业前景不确定、购房者信心不足**。\n\n---\n\n### **8. 政策放松效果有限**\n- 尽管政府已在三大城市（如北京、上海、广州？）**放宽购房限制**，但**未能有效提振市场**。\n- 说明单纯放松限购等措施**不足以扭转趋势**，需更系统性改革与信心重建。","cooked":"

南华早报有专门的中国房地产板块新闻

https://www.scmp.com/topics/china-property

《南华早报》（South China Morning Post, SCMP）是香港销量最高的英文报纸
2016 年被阿里巴巴集团收购。

https://www.scmp.com/?module=masthead&pgtype=article

https://www.scmp.com/business/article/3332746/chinas-housing-slide-deepens-october-prices-fall-fastest-pace-year

以下是对这两篇报道的总结：

1. 中国房地产市场尚未触底，将持续拖累经济增长约五年

前财政部长楼继伟指出，中国房地产市场目前仍处于下行阶段，尚未见底。
房地产行业将在未来大约五年内继续对整体经济增长构成拖累，因其正处于结构性转型期。

2. 房地产不太可能引发系统性金融风险，但需政策应对

尽管大型开发商接连出现流动性危机、导致大量购房者“烂尾楼”问题，楼继伟认为房地产不太可能成为系统性风险源头。
但他强调，必须采取积极的财政与货币政策，以抵消房地产低迷带来的负面经济影响。

3. 房地产下行加剧通缩压力，抑制消费

房市疲软已抑制居民消费意愿，并加剧通货紧缩压力。
因此，扩张性财政与货币政策需持续一段时间，以稳定经济。

4. 政策重点不应仅是刺激投资与产出，而应推动结构性改革

楼继伟警告，不能一味追求 GDP 或投资增长，必须推进深层次结构性改革。
户籍制度（hukou）改革是关键：现有制度将教育、医疗、养老等公共服务与户籍绑定，阻碍了近 3 亿农民工在城市真正融入。
改革户籍制度可释放农民工的住房需求（购房或租房），从而提振房地产市场。

5. 户籍改革面临巨大阻力

尽管改革能刺激内需，但推进难度极大，因为会触及地方政府利益（如土地财政、公共服务分配等）。

6. 建议适时推出全国性房地产税

楼继伟重申其12 年前提出的全国房产税建议。
程序性立法基础已在 2022 年前后完成，但因疫情和经济下行压力被推迟实施。
未来应在“适当时机”推出，以建立地方财政新支柱、减少对土地出让金的依赖。

7. 官方数据印证房地产对经济的持续拖累

2025 年 1–10 月，固定资产投资同比下降 1.7%，降幅较 1–9 月扩大，主要受房地产投资疲软和基建支出乏力拖累。
10 月新房价格环比下跌 0.5%（70 城平均），为近 12 个月最大跌幅；同比下跌 2.6%。
传统销售旺季（“金九银十”）表现惨淡，仅 6 个城市房价环比上涨。
一线城市（经济较发达）新房价格也环比下跌 0.3%，显示市场信心普遍低迷。
背后原因包括：经济放缓、就业前景不确定、购房者信心不足。

8. 政策放松效果有限

尽管政府已在三大城市（如北京、上海、广州？）放宽购房限制，但未能有效提振市场。
说明单纯放松限购等措施不足以扭转趋势，需更系统性改革与信心重建。

\n","createdAt":"2025-11-29 12:06:57.353485","updatedAt":"2025-11-29 12:06:57.353485","replyToPostNumber":null,"replyCount":1,"likeCount":1,"wordCount":971,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":1,"users":[{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68469,"postNumber":13,"raw":"![image|690x345](/uploads/image/22/03/22033fbb73ddb4bfd1325ff56f6600fe71e14458c797fcf84892227e8a9d0b3c.avif)\n\n美国的房地产数据\n\n最新日期：2025-11-26\n30 年房贷利率：6.23%\n30 年美债：4.64%\n当前利差：1.59%\n\n```python\nimport pandas_datareader.data as web\nimport pandas as pd\nimport matplotlib.pyplot as plt\nimport datetime\n\nstart_date = datetime.datetime(1971, 4, 2)\nend_date = datetime.datetime.now()\n\n# FRED 数据系列 ID\n# MORTGAGE30US: 30-Year Fixed Rate Mortgage Average in the United States (周频)\n# DGS30: Market Yield on U.S. Treasury Securities at 30-Year Constant Maturity (日频)\nseries_ids = ['MORTGAGE30US', 'DGS30']\n\nprint(\"正在从 FRED 下载数据，请稍候...\")\n\ntry:\n # pandas_datareader 可以直接从 FRED 拉取数据\n # 注意：如果你有 FRED API Key，可以使用 os.environ[\"FRED_API_KEY\"] = \"YOUR_KEY\" \n # 或者直接调用，通常少量数据不需要 Key 也能下载，如果失败请申请 Key。\n df = web.DataReader(series_ids, 'fred', start_date, end_date)\n\n # 因为国债是日频 (Daily)，房贷利率是周频 (Weekly)，数据会有空值 (NaN)。\n # 我们使用前向填充 (ffill) 来填补国债数据的空缺，以匹配房贷数据的发布日。\n df['DGS30'] = df['DGS30'].ffill()\n\n # 删除 'MORTGAGE30US' 为空的行（只保留房贷利率发布的那些日期）\n df = df.dropna(subset=['MORTGAGE30US'])\n\n df['Spread'] = df['MORTGAGE30US'] - df['DGS30']\n\n # ---绘图 ---\n plt.figure(figsize=(12, 6))\n \n # 绘制利差线\n plt.plot(df.index, df['Spread'], label='Spread (Mortgage - 30Y Treasury)', color='#1f77b4', linewidth=1.5)\n \n # 添加平均值线作为参考\n avg_spread = df['Spread'].mean()\n plt.axhline(y=avg_spread, color='r', linestyle='--', alpha=0.7, label=f'Average Spread ({avg_spread:.2f}%)')\n\n # 添加 0 轴线\n plt.axhline(y=0, color='black', linewidth=0.8)\n\n # 图表装饰\n plt.title('US 30-Year Mortgage Rate vs 30-Year Treasury Yield Spread', fontsize=16, fontweight='bold')\n plt.ylabel('Spread (Percentage Points)', fontsize=12)\n plt.xlabel('Date', fontsize=12)\n plt.legend(loc='upper right')\n plt.grid(True, which='both', linestyle='--', alpha=0.5)\n \n # 填充颜色，强调利差扩大的区域\n plt.fill_between(df.index, df['Spread'], avg_spread, where=(df['Spread'] > avg_spread), \n interpolate=True, color='green', alpha=0.1, label='Above Average')\n plt.fill_between(df.index, df['Spread'], avg_spread, where=(df['Spread'] <= avg_spread), \n interpolate=True, color='red', alpha=0.1, label='Below Average')\n\n plt.tight_layout()\n plt.savefig(\"US_house_spread.png\")\n\n # 打印最新数据\n latest = df.iloc[-1]\n print(f\"最新日期：{latest.name.date()}\")\n print(f\"房贷利率：{latest['MORTGAGE30US']}%\")\n print(f\"30 年美债：{latest['DGS30']}%\")\n print(f\"当前利差：{latest['Spread']:.2f}%\")\n\nexcept Exception as e:\n print(f\"发生错误：{e}\")\n print(\"提示：如果遇到网络错误，可能需要配置代理或申请 FRED API Key。\")\n```","cooked":"

$\"image|690x345\"$

美国的房地产数据

最新日期：2025-11-26
\n30 年房贷利率：6.23%
\n30 年美债：4.64%
\n当前利差：1.59%

import pandas_datareader.data as web\nimport pandas as pd\nimport matplotlib.pyplot as plt\nimport datetime\n\nstart_date = datetime.datetime(1971, 4, 2)\nend_date = datetime.datetime.now()\n\n# FRED 数据系列 ID\n# MORTGAGE30US: 30-Year Fixed Rate Mortgage Average in the United States (周频)\n# DGS30: Market Yield on U.S. Treasury Securities at 30-Year Constant Maturity (日频)\nseries_ids = ['MORTGAGE30US', 'DGS30']\n\nprint(\"正在从 FRED 下载数据，请稍候...\")\n\ntry:\n    # pandas_datareader 可以直接从 FRED 拉取数据\n    # 注意：如果你有 FRED API Key，可以使用 os.environ[\"FRED_API_KEY\"] = \"YOUR_KEY\" \n    # 或者直接调用，通常少量数据不需要 Key 也能下载，如果失败请申请 Key。\n    df = web.DataReader(series_ids, 'fred', start_date, end_date)\n\n    # 因为国债是日频 (Daily)，房贷利率是周频 (Weekly)，数据会有空值 (NaN)。\n    # 我们使用前向填充 (ffill) 来填补国债数据的空缺，以匹配房贷数据的发布日。\n    df['DGS30'] = df['DGS30'].ffill()\n\n    # 删除 'MORTGAGE30US' 为空的行（只保留房贷利率发布的那些日期）\n    df = df.dropna(subset=['MORTGAGE30US'])\n\n    df['Spread'] = df['MORTGAGE30US'] - df['DGS30']\n\n    # ---绘图 ---\n    plt.figure(figsize=(12, 6))\n    \n    # 绘制利差线\n    plt.plot(df.index, df['Spread'], label='Spread (Mortgage - 30Y Treasury)', color='#1f77b4', linewidth=1.5)\n    \n    # 添加平均值线作为参考\n    avg_spread = df['Spread'].mean()\n    plt.axhline(y=avg_spread, color='r', linestyle='--', alpha=0.7, label=f'Average Spread ({avg_spread:.2f}%)')\n\n    # 添加 0 轴线\n    plt.axhline(y=0, color='black', linewidth=0.8)\n\n    # 图表装饰\n    plt.title('US 30-Year Mortgage Rate vs 30-Year Treasury Yield Spread', fontsize=16, fontweight='bold')\n    plt.ylabel('Spread (Percentage Points)', fontsize=12)\n    plt.xlabel('Date', fontsize=12)\n    plt.legend(loc='upper right')\n    plt.grid(True, which='both', linestyle='--', alpha=0.5)\n    \n    # 填充颜色，强调利差扩大的区域\n    plt.fill_between(df.index, df['Spread'], avg_spread, where=(df['Spread'] > avg_spread), \n                     interpolate=True, color='green', alpha=0.1, label='Above Average')\n    plt.fill_between(df.index, df['Spread'], avg_spread, where=(df['Spread'] <= avg_spread), \n                     interpolate=True, color='red', alpha=0.1, label='Below Average')\n\n    plt.tight_layout()\n    plt.savefig(\"US_house_spread.png\")\n\n    # 打印最新数据\n    latest = df.iloc[-1]\n    print(f\"最新日期：{latest.name.date()}\")\n    print(f\"房贷利率：{latest['MORTGAGE30US']}%\")\n    print(f\"30 年美债：{latest['DGS30']}%\")\n    print(f\"当前利差：{latest['Spread']:.2f}%\")\n\nexcept Exception as e:\n    print(f\"发生错误：{e}\")\n    print(\"提示：如果遇到网络错误，可能需要配置代理或申请 FRED API Key。\")\n

\n","createdAt":"2025-12-01 06:38:32.269842","updatedAt":"2025-12-01 06:56:04.796013","replyToPostNumber":null,"replyCount":0,"likeCount":1,"wordCount":460,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":1,"users":[{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":2,"publicVersion":2,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68477,"postNumber":14,"raw":"## 法拍房案例\n\n[grid mode=\"tile\"]\n![6df353e83d0872ffc94d0339e6b1eedb|320x469](/uploads/image/26/4c/264c16e3b0480378bdee70319bc955fc7db0d4db36c82c34c558f81a4015bac8.avif)\n\n![image|666x500](/uploads/image/de/8f/de8f83747c19aa2271d40fb2a689f63fc7e9df390b2db02b1f0d9c0e9ba59c59.avif)\n[/grid]\n\n\n西京医院和西交附近\n\n98 平米\n\n房产登记于 2006 年 12 月 31 日\n\n15 次出价，最终 78.5756 万成交\n\n网拍结束时间：2025/09/02\n\n法拍房还是比市场挂牌价更有前瞻性","cooked":"

法拍房案例

$\"6df353e83d0872ffc94d0339e6b1eedb|320x469\"$

$\"image|666x500\"$

西京医院和西交附近

98 平米

房产登记于 2006 年 12 月 31 日

15 次出价，最终 78.5756 万成交

网拍结束时间：2025/09/02

法拍房还是比市场挂牌价更有前瞻性

\n","createdAt":"2025-12-01 17:28:04.331194","updatedAt":"2025-12-01 17:28:44.196797","replyToPostNumber":null,"replyCount":0,"likeCount":1,"wordCount":68,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":1,"users":[{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68517,"postNumber":15,"raw":"### 房租数据\n\nhttps://m.creprice.cn/?statType=lease\n![image|296x500](/uploads/image/45/56/45560a67d458836d7d72706571d8be2449a94115d422de334016e413ae75541e.avif)\n\n上海北京深圳断崖式领先\n\n---\n\n### 房价数据\n\n冰山指数：使用的是挂牌价最低价（比较接近实际成交价，但也给了议价率 9.8% 真实价格也许还得打个九折）\n\nhttps://www.bingshanai.com/\n\n[grid mode=\"tile\"]\n![image|237x500](/uploads/image/82/e9/82e9d75b02beac3b0bf8182560e64caa5e0ac718ac92bd5174615daafc4a896d.avif)\n![c814b272fe01de220ec3baa83825c47a|389x500](/uploads/image/8e/84/8e84f2d1cc33eddc1eba0ed67fd93f68b874df666d57918fc3843d653164913e.avif)\n![5eb03909697f5599992c115650fcd6bb|417x500](/uploads/image/0f/32/0f321c1ceedc4dec4aa5f58e09772a2ff8aff9af95369d34b9257b5686565129.avif)\n![f1b1b0657554605cd61cdf27841bf99c|412x500](/uploads/image/ed/47/ed470b7c4644b1f582a9d0373eb8ddde772a3438d1b15954cd874b84f8725a34.avif)\n[/grid]","cooked":"

房租数据

https://m.creprice.cn/?statType=lease
\n $\"image|296x500\"$

上海北京深圳断崖式领先

房价数据

冰山指数：使用的是挂牌价最低价（比较接近实际成交价，但也给了议价率 9.8% 真实价格也许还得打个九折）

https://www.bingshanai.com/

$\"image|237x500\"$
\n $\"c814b272fe01de220ec3baa83825c47a|389x500\"$
\n $\"5eb03909697f5599992c115650fcd6bb|417x500\"$
\n $\"f1b1b0657554605cd61cdf27841bf99c|412x500\"$

","createdAt":"2025-12-03 06:33:41.026521","updatedAt":"2025-12-03 09:21:58.837918","replyToPostNumber":null,"replyCount":0,"likeCount":2,"wordCount":79,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":2,"users":[{"id":346,"username":"hoist","name":null},{"id":7720,"username":"xuanzha","name":null}],"hasReacted":false}],"wiki":false,"version":3,"publicVersion":3,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68521,"postNumber":16,"raw":"(post deleted by author)","cooked":"

(post deleted by author)

\n","createdAt":"2025-12-03 11:02:42.929263","updatedAt":"2025-12-03 11:02:51.796459","replyToPostNumber":12,"replyCount":0,"likeCount":0,"wordCount":4,"liked":false,"bookmarked":false,"polls":[],"reactions":[],"wiki":false,"version":2,"publicVersion":2,"deletedAt":null,"isAnonymous":false,"user":{"id":339,"username":"Urdak","name":"Urdak","avatarUrl":"/uploads/image/c5/e0/c5e04698493e4cde24fcf729a787b3561db17ef34e1e7a10fa2c2af4314ef6f8.avif","admin":false,"moderator":false,"signatureRaw":null,"signatureCooked":null}},{"id":68880,"postNumber":17,"raw":"https://www.zhihu.com/pin/1982982755102000666\n\n> AI 解读网友观点\n\n这篇文章的作者“一直住顶楼”主要是在给**当下想要通过“租售比”（靠收租金回本）逻辑在中国买房投资的人泼冷水**。\n\n作者的核心观点是：**中国房地产正在经历逻辑重构，目前的租售比看起来虽然比以前好了，但按照成熟市场的标准（如美国），依然不具备投资价值，现在入场是错误的，应该等待。**\n\n以下是逐条深度解读：\n\n### 租售比定义\n* **原文观点**：中国人算的租售比是“粗糙”的（房租/房价），而美国等成熟市场算的是“净回报率”（扣除房产税、空置期、修缮费、管理费后的纯利）。\n* **解读**：\n * 你在中国买套房，200 万，年租金 4 万，你觉得自己回报率是 2%。\n * 在美国，所谓 6-7% 的回报率，是扣掉每年约 1%-2% 的房产税、扣掉可能 1 个月没租出去的空置成本、扣掉给中介的管理费之后，**真正落到口袋里的钱**。\n\n### 租售比不是万能钥匙\n* **原文观点**：租售比只在供需和租金稳定的地方有效。有些地方租售比低（房价高租金低），是因为有高增长预期。\n* **解读**：\n * 房价由两部分决定：**居住价值（租金）** + **看涨预期**。\n * 如果你买的是核心区豪宅，大家赌的是它未来翻倍，那么哪怕现在租金回报比较低，大家也愿意买。\n\n\n### 租金的不稳定性（风险提示）\n* **原文观点**：租金波动大（年化变动可达 10%）。现在租金刚好覆盖房贷利息就买房，是缺乏常识。\n* **解读**：\n * 比如现在你的房租刚好能抵消月供，你觉得安全了。但如果明年经济不好，房租跌了 10%，或者你要降价才能租出去，你的现金流就断了。\n\n### 市场反应迟钝（不要指望抄底快）\n* **原文观点**：市场对于“租售比”的价值回归反应很慢，比供需关系导致的暴跌要慢得多。\n* **解读**：\n * 如果是因为没有人买房（供大于求），房价跌起来很快。\n * 但如果是因为“房租太低撑不起房价”，这个下跌过程是**阴跌**，是漫长的钝刀子割肉。\n * **潜台词**：别指望房价跌一点，租售比一划算，市场马上就反弹。这个磨底的过程会以“年”为单位。\n\n### 高收益陷阱\n* **原文观点**：美国有些房子永远是 6-7% 的回报，不会因为回报高就涨价变成 4-5%。\n* **解读**：\n * 这是一个反直觉的金融常识。在债券或房产中，**价格涨 = 收益率跌**。\n * 如果你买入一个资产，期待它**升值**，其实你是在期待它的**租售比变低**（分母变大）。\n * 美国有些区域（通常是贫民区或非核心区），租金回报很高（6-7%），因为大家都不看好那里的未来，觉得风险大、不升值。所以市场这就给它定死了这个低价。\n * **潜台词**：即便你看到某些房子租金回报高，也不代表房价会涨。它可能永远就是个收租的“现金奶牛”，甚至本金还会缩水。如果你不懂这个，就别碰房产投资。\n\n### 极高的交易摩擦成本\n* **原文观点**：中国卖房难、税费高、时间长。\n* **解读**：\n * 买股票，一秒钟卖出，钱到账。\n * 卖房子，挂牌半年，各种税费中介费。\n * **潜台词**：流动性是资产定价的重要因素。既然很难变现，现在局势又不明朗，**“慢”就是最好的策略**。\n\n### 核心结论：你需要“风险溢价”\n* **原文观点**：当房价不涨了，合理的租金回报率不应该是“等于房贷利率”，而应该是“房贷利率 + 1%~2%”。\n* **解读**：这是全文最核心的金融逻辑。\n * **过去模式**：房贷利率 5%，租金回报 1.5%。大家还愿意买，因为指望房价每年涨 10%。\n * **未来模式**（日本/美国模式）：房价不涨了。那么我买房图什么？图租金收益。\n * 如果房贷利率是 3.5%，那么买房的回报率必须达到 4.5%-5.5% 甚至更高，大家才愿意买。因为买房有风险、有折旧、还有麻烦事。\n * **潜台词**：现在中国很多城市的租售比还没跑赢房贷利率，或者刚刚持平。按照国际惯例，**房价还需要继续跌，或者租金继续涨，直到租金回报率显著高于银行利息时，才是入场的底。**\n\n### 总结作者的建议：\n\n作者是在劝退当下的抄底者。他认为现在的中国房地产市场正在从**“博取差价模式”**向**“现金流模式”**切换。\n\n在新的模式下，目前的房价依然太贵，因为租金回报率（真实的、扣除成本后的）太低，且没有提供足够的风险溢价。\n\n**总结：只要租金回报率没有显著高于银行贷款利率，就不要为了投资而买房，拿着现金等待是最好的选择。**","cooked":"

https://www.zhihu.com/pin/1982982755102000666

\n
AI 解读网友观点
\n

这篇文章的作者“一直住顶楼”主要是在给当下想要通过“租售比”（靠收租金回本）逻辑在中国买房投资的人泼冷水。

作者的核心观点是：中国房地产正在经历逻辑重构，目前的租售比看起来虽然比以前好了，但按照成熟市场的标准（如美国），依然不具备投资价值，现在入场是错误的，应该等待。

以下是逐条深度解读：

租售比定义

原文观点：中国人算的租售比是“粗糙”的（房租/房价），而美国等成熟市场算的是“净回报率”（扣除房产税、空置期、修缮费、管理费后的纯利）。
解读：\n
- 你在中国买套房，200 万，年租金 4 万，你觉得自己回报率是 2%。
- 在美国，所谓 6-7% 的回报率，是扣掉每年约 1%-2% 的房产税、扣掉可能 1 个月没租出去的空置成本、扣掉给中介的管理费之后，真正落到口袋里的钱。
\n

租售比不是万能钥匙

原文观点：租售比只在供需和租金稳定的地方有效。有些地方租售比低（房价高租金低），是因为有高增长预期。
解读：\n
- 房价由两部分决定：居住价值（租金） + 看涨预期。
- 如果你买的是核心区豪宅，大家赌的是它未来翻倍，那么哪怕现在租金回报比较低，大家也愿意买。
\n

租金的不稳定性（风险提示）

原文观点：租金波动大（年化变动可达 10%）。现在租金刚好覆盖房贷利息就买房，是缺乏常识。
解读：\n
- 比如现在你的房租刚好能抵消月供，你觉得安全了。但如果明年经济不好，房租跌了 10%，或者你要降价才能租出去，你的现金流就断了。
\n

市场反应迟钝（不要指望抄底快）

原文观点：市场对于“租售比”的价值回归反应很慢，比供需关系导致的暴跌要慢得多。
解读：\n
- 如果是因为没有人买房（供大于求），房价跌起来很快。
- 但如果是因为“房租太低撑不起房价”，这个下跌过程是阴跌，是漫长的钝刀子割肉。
- 潜台词：别指望房价跌一点，租售比一划算，市场马上就反弹。这个磨底的过程会以“年”为单位。
\n

高收益陷阱

原文观点：美国有些房子永远是 6-7% 的回报，不会因为回报高就涨价变成 4-5%。
解读：\n
- 这是一个反直觉的金融常识。在债券或房产中，价格涨 = 收益率跌。
- 如果你买入一个资产，期待它升值，其实你是在期待它的租售比变低（分母变大）。
- 美国有些区域（通常是贫民区或非核心区），租金回报很高（6-7%），因为大家都不看好那里的未来，觉得风险大、不升值。所以市场这就给它定死了这个低价。
- 潜台词：即便你看到某些房子租金回报高，也不代表房价会涨。它可能永远就是个收租的“现金奶牛”，甚至本金还会缩水。如果你不懂这个，就别碰房产投资。
\n

极高的交易摩擦成本

原文观点：中国卖房难、税费高、时间长。
解读：\n
- 买股票，一秒钟卖出，钱到账。
- 卖房子，挂牌半年，各种税费中介费。
- 潜台词：流动性是资产定价的重要因素。既然很难变现，现在局势又不明朗，“慢”就是最好的策略。
\n

核心结论：你需要“风险溢价”

原文观点：当房价不涨了，合理的租金回报率不应该是“等于房贷利率”，而应该是“房贷利率 + 1%~2%”。
解读：这是全文最核心的金融逻辑。\n
- 过去模式：房贷利率 5%，租金回报 1.5%。大家还愿意买，因为指望房价每年涨 10%。
- 未来模式（日本/美国模式）：房价不涨了。那么我买房图什么？图租金收益。
- 如果房贷利率是 3.5%，那么买房的回报率必须达到 4.5%-5.5% 甚至更高，大家才愿意买。因为买房有风险、有折旧、还有麻烦事。
- 潜台词：现在中国很多城市的租售比还没跑赢房贷利率，或者刚刚持平。按照国际惯例，房价还需要继续跌，或者租金继续涨，直到租金回报率显著高于银行利息时，才是入场的底。
\n

总结作者的建议：

作者是在劝退当下的抄底者。他认为现在的中国房地产市场正在从**“博取差价模式”向“现金流模式”**切换。

在新的模式下，目前的房价依然太贵，因为租金回报率（真实的、扣除成本后的）太低，且没有提供足够的风险溢价。

总结：只要租金回报率没有显著高于银行贷款利率，就不要为了投资而买房，拿着现金等待是最好的选择。

\n","createdAt":"2025-12-14 16:10:04.857295","updatedAt":"2025-12-14 16:10:18.776549","replyToPostNumber":null,"replyCount":1,"likeCount":3,"wordCount":1557,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"👍️","count":1,"users":[{"id":7180,"username":"djt","name":null}],"hasReacted":false},{"reaction":"❤️","count":3,"users":[{"id":2877,"username":"Zerick","name":null},{"id":5905,"username":"PipaQinse233","name":"PipaQinse233"},{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":1,"publicVersion":1,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68881,"postNumber":18,"raw":"https://www.bankofchina.com/fimarkets/lilv/fd32/201310/t20131031_2591219.html\n\n## 全国银行间同业拆借中心发布的贷款市场报价利率（LPR）\n\n|LPR 报价|1 年期|5 年期以上 |\n| --- | --- | --- |\n|2025-11-20|3.00%|3.50%|\n\n---\n---\n---\n\n* **LPR (Loan Prime Rate) 贷款市场报价利率**：是当前中国贷款定价的基准，每月 20 日由全国银行间同业拆借中心公布，包括 1 年期和 5 年期以上两个品种。\n* **加点（Basis Points）**：银行会在 LPR 基础上根据借款人的资质、地区等因素加点，形成**实际的房贷利率**。\n* **公积金贷款**：利率独立于 LPR，由住建部及各地公积金中心制定，有固定的档位，例如 [北京住房公积金网](https://gjj.beijing.gov.cn/web/zwgk61/xwdt/_300666/743613398/index.html) 的首套/二套、5 年以下/以上有不同利率。\n\n**当前（示例）情况（基于搜索结果的估算，需以最新公告为准）：**\n\n* **商业房贷** ：可能在 5 年期以上 LPR（例如 3.5%）基础上加点。\n* **公积金房贷**：各地不同，例如北京新政后首套房利率 2.6%（5 年以上），二套 3.075% 等。","cooked":"

https://www.bankofchina.com/fimarkets/lilv/fd32/201310/t20131031_2591219.html

全国银行间同业拆借中心发布的贷款市场报价利率（LPR）

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n

LPR 报价	1 年期	5 年期以上
2025-11-20	3.00%	3.50%

LPR (Loan Prime Rate) 贷款市场报价利率：是当前中国贷款定价的基准，每月 20 日由全国银行间同业拆借中心公布，包括 1 年期和 5 年期以上两个品种。
加点（Basis Points）：银行会在 LPR 基础上根据借款人的资质、地区等因素加点，形成实际的房贷利率。
公积金贷款：利率独立于 LPR，由住建部及各地公积金中心制定，有固定的档位，例如北京住房公积金网的首套/二套、5 年以下/以上有不同利率。

当前（示例）情况（基于搜索结果的估算，需以最新公告为准）：

商业房贷 ：可能在 5 年期以上 LPR（例如 3.5%）基础上加点。
公积金房贷：各地不同，例如北京新政后首套房利率 2.6%（5 年以上），二套 3.075% 等。

\n","createdAt":"2025-12-14 16:11:18.437281","updatedAt":"2025-12-14 16:16:52.125267","replyToPostNumber":17,"replyCount":0,"likeCount":2,"wordCount":309,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":2,"users":[{"id":5905,"username":"PipaQinse233","name":"PipaQinse233"},{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":2,"publicVersion":2,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":68883,"postNumber":19,"raw":"https://zh.cn.nikkei.com/industry/propertiesconstruction/60696-2025-12-12-05-00-55.html\n\n不动产调查公司东京 KANTEI 按都道府县统计了 2024 年新出售的新建住宅楼平均价格（按 70 平方米换算），除以当地的平均年收入，算出了“房价收入比”。日本全国平均值为 10.38 倍，比 2023 年的 10.09 倍有所上升，连续 2 年超过 10 倍。\n\n* **房价部分**：统一换算为**70㎡标准公寓**的新建平均价格（全国平均约 7000-8000 万日元左右，地方较低但高端项目拉高平均）。\n* **收入部分**：使用**各都道府县的平均年收入**（一人あたり、即个人平均）\n\n![image|308x500](/uploads/image/f9/4a/f94a2d6004b8e9d52de222d5bbaae082972267233d6e03708c62eb7d602973be.avif)\n\n---\n\n其他数据参考：https://www.numbeo.com/property-investment/rankings.jsp\n\n---\n\n2024 年西安市全体居民人均可支配收入为**45082 元**，同比增长 5.3%。其中，城镇居民为 **53678 元**（增长 4.9%），农村居民为 **21185 元**（增长 6.9%）\n\n---\n\n- 日本这几年房价增速显著高于工资增速\n\n- 45082*10/70 = 6440 元/平\n- 53678*10/70 = 7668 元/平\n- 21185*10/70 = 3026 元/平","cooked":"

https://zh.cn.nikkei.com/industry/propertiesconstruction/60696-2025-12-12-05-00-55.html

不动产调查公司东京 KANTEI 按都道府县统计了 2024 年新出售的新建住宅楼平均价格（按 70 平方米换算），除以当地的平均年收入，算出了“房价收入比”。日本全国平均值为 10.38 倍，比 2023 年的 10.09 倍有所上升，连续 2 年超过 10 倍。

房价部分：统一换算为70㎡标准公寓的新建平均价格（全国平均约 7000-8000 万日元左右，地方较低但高端项目拉高平均）。
收入部分：使用各都道府县的平均年收入（一人あたり、即个人平均）

$\"image|308x500\"$

其他数据参考：https://www.numbeo.com/property-investment/rankings.jsp

2024 年西安市全体居民人均可支配收入为45082 元，同比增长 5.3%。其中，城镇居民为 53678 元（增长 4.9%），农村居民为 21185 元（增长 6.9%）

\n
日本这几年房价增速显著高于工资增速
\n
\n
45082*10/70 = 6440 元/平
\n
\n
53678*10/70 = 7668 元/平
\n
\n
21185*10/70 = 3026 元/平
\n

\n","createdAt":"2025-12-14 16:30:27.565515","updatedAt":"2025-12-14 16:47:25.508247","replyToPostNumber":null,"replyCount":0,"likeCount":2,"wordCount":281,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":2,"users":[{"id":5905,"username":"PipaQinse233","name":"PipaQinse233"},{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":2,"publicVersion":2,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}},{"id":71111,"postNumber":20,"raw":"https://www.bilibili.com/video/BV1t2F6zVE5Y/\n\n> 老马参考的报告\nhttps://news.qq.com/rain/a/20260121A01LQQ00\n\n> 19 年时候还是九折，现在是**七五折**\n![image|690x351](/uploads/image/6f/46/6f4602e038221d5d86eb83d81fb156ae95d188d14ed5f3ed60dbe7d82fd7d526.avif)\n\n> 深圳在一线情况最好\n![image|690x129](/uploads/image/7a/84/7a84d33d87cb1885dfcf3d77bbaa5ead038bacb6b5d3972249f73bde45d35a51.avif)\n\n> 西北成交率最低，老马：“七八折不是终点”\n![image|690x337](/uploads/image/18/03/1803929492aa999586be6902fae249573769d882db628268337b7ca3bbdc8ba8.avif)\n\n\n> 这几座城市共同点：“产业严重单一，没有多少民营企业”\n![image|690x153](/uploads/image/71/e1/71e1e5d6537e888900aebfe9930ef8f3f2954a8096bbd0d51f37a9950495ec7a.avif)\n\n> “商铺被电商冲击，几乎是死资产”\n“停车位和街头的店铺，比商业地产更差”\n\n> “在前几年的房地产上升时期，有的人说房地产是巨大的蓄水池，有的人说是巨大的印钞机。现在看来房地产确实是印钞机，但也同时创造了巨大的债务。现在货币和债务分在不同的群体手里。及时套现的群体拥有货币，最后上车的群体承担债务。**拥有货币的群体并不想重新进入房地产市场，所以他们的购买力被看作笼中虎，不知道何处去**；而上亿承担房贷的人口，实际上已经是负资产状态了，只是没遇到全面抛售，没有把问题挑明。”\n![image|690x291](/uploads/image/50/05/50057f9204c5e33846e0c761fd3c8af00f74b97acbfcd2c4ca90e8534e8a6a40.avif)","cooked":"

https://www.bilibili.com/video/BV1t2F6zVE5Y/

\n
老马参考的报告
\nhttps://news.qq.com/rain/a/20260121A01LQQ00
\n

\n
19 年时候还是九折，现在是七五折
\n $\"image|690x351\"$
\n

\n
深圳在一线情况最好
\n $\"image|690x129\"$
\n

\n
西北成交率最低，老马：“七八折不是终点”
\n $\"image|690x337\"$
\n

\n
这几座城市共同点：“产业严重单一，没有多少民营企业”
\n $\"image|690x153\"$
\n

\n
“商铺被电商冲击，几乎是死资产”
\n“停车位和街头的店铺，比商业地产更差”
\n

\n
“在前几年的房地产上升时期，有的人说房地产是巨大的蓄水池，有的人说是巨大的印钞机。现在看来房地产确实是印钞机，但也同时创造了巨大的债务。现在货币和债务分在不同的群体手里。及时套现的群体拥有货币，最后上车的群体承担债务。拥有货币的群体并不想重新进入房地产市场，所以他们的购买力被看作笼中虎，不知道何处去；而上亿承担房贷的人口，实际上已经是负资产状态了，只是没遇到全面抛售，没有把问题挑明。”
\n $\"image|690x291\"$
\n

\n","createdAt":"2026-02-07 07:17:58.891961","updatedAt":"2026-02-07 07:49:33.302808","replyToPostNumber":null,"replyCount":0,"likeCount":1,"wordCount":319,"liked":false,"bookmarked":false,"polls":[],"reactions":[{"reaction":"❤️","count":1,"users":[{"id":7180,"username":"djt","name":null}],"hasReacted":false}],"wiki":false,"version":5,"publicVersion":5,"deletedAt":null,"isAnonymous":false,"user":{"id":7639,"username":"Zethes","name":null,"avatarUrl":null,"admin":false,"moderator":false,"signatureRaw":"我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。\n诗篇 23:4","signatureCooked":"

我虽然行过死荫的幽谷，也不怕遭害，因为你与我同在。
\n诗篇 23:4

\n"}}],"hasMore":true,"lastReadPostNumber":4,"hasUrlPostNumber":true}

摘要

模型

城市标度律

理性人定价模型

参数测算与分析

流动性折价 (LLL)

增长率（ggg）

计算代码

结果

流动性折价 (L) | 估值 (元/平米)

以下是对这两篇报道的总结：

1. 中国房地产市场尚未触底，将持续拖累经济增长约五年

2. 房地产不太可能引发系统性金融风险，但需政策应对

3. 房地产下行加剧通缩压力，抑制消费

4. 政策重点不应仅是刺激投资与产出，而应推动结构性改革

5. 户籍改革面临巨大阻力

6. 建议适时推出全国性房地产税

7. 官方数据印证房地产对经济的持续拖累

8. 政策放松效果有限

法拍房案例

房租数据

房价数据

租售比定义

租售比不是万能钥匙

租金的不稳定性（风险提示）

市场反应迟钝（不要指望抄底快）

高收益陷阱

极高的交易摩擦成本

核心结论：你需要“风险溢价”

总结作者的建议：

全国银行间同业拆借中心发布的贷款市场报价利率（LPR）

流动性折价 ( $L$ )

增长率（ $g$ ）