Huspriser og renter

Change language: DK EN

Over de sidste 25 år har huspriserne i gennemsnit steget med en faktor 3.5. Men hvilke drivere har været de primære for denne prisstigning, og kan disse fortsætte fremadrettet? De primære drivere for stigning af huspriser er:

  • Renter på boliglån
  • Lønstigninger
  • Forøgelse af belåningsgrad
  • Geografiske forskelle

I denne model vil belåningsgraden være antaget til at være konstant. Givet at den er antaget at være konstant, så er den faktiske belåningsgrad ikke relevant. Geografiske forskelle vil i første omgang ikke blive taget højde for, men vil til sidst blive diskuteret.

Modellen vil gøre brug af data fra 1994 og fremadrettet. Det er valgt at starte i 1994, da mixlån blev afskaffet i 1993, og lånestrukturen derefter blev den vi kender igennem realkreditten.

Konstruktion af lønindeks

Lønindekset er konstrueret ved at bruge data fra, djoef.dk, 21-05-2022. Her er tallene ekskl. anciennitetsafledte brugt, og det er antaget at den annualiserede stigning har været den samme for alle fire kvartaler.

For perioden efter 2016 3. kv. er der hentet data fra statistikbanken.dk, 21-05-2022. Her er der valgt “Sektorer i alt” og “Erhverv i alt”.

For 2016 1. kv., 2. kv. og 3. kv. er der ingen data i de to datasæt lønindekset er baseret på. Disse er derfor antaget til at være 2.1% annualiseret.

Det samlede sæt af annualiserede lønstigninger kan findes her, loenstigning.txt.

Lønstigningsindekset er så konstrueret ved at starte ved 1 og derefter stige hvert kvartal med den kvartalsvise stigning, fundet via:

\[s_\mathrm{kvartal} = \left( 1 + s_\mathrm{årlig} \right)^{3/12} - 1\]

Konstruktion af huspris-indeks

Husprisindeksene er taget fra boliga.dk, 21-05-2022.

Indekset for Danmark, København, Odense, Aarhus, Aalborg, Lolland og Langeland.

Indekserne er normeret således at 1. kv. 1994 er defineret til at være 1.

Konstruktion af indeks for huskøbsomkostninger

Indekset for huskøbsomkostninger er konstrueret med antagelse om 80% realkreditlån og 20% selvbetaling.

For lånet skal der beregnes en total omkostning (lån + renter). Der startes med at se på hvor meget af lånet der er tilbage efter en måned:

\[k_{1}=k_{\mathrm{lån}}\cdot\left(1+r\right)-k_{\mathrm{afbetaling}}\cdot\left(1+r\right)\]

Lånet vokser med renten, \(r\), bemærk at renten også er inkluderet i afbetalingen, da det antages at der afbetales d. 1 i måneden, hvor den tilbageværende kapital af lånet er for sidste dag i måneden, derfor “spares” noget af renten for måneden.

Efter to måneder vil der derfor være:

\[\begin{eqnarray} k_{2}&=&k_{1}\cdot\left(1+r\right)-k_{\mathrm{afbetaling}}\cdot\left(1+r\right) \\ &=&\left(k_{\mathrm{l\mathring{a}n}}\cdot\left(1+r\right)-k_{\mathrm{afbetaling}}\cdot\left(1+r\right)\right)\cdot\left(1+r\right)-k_{\mathrm{afbetaling}}\cdot\left(1+r\right) \\ &=&k_{\mathrm{l\mathring{a}n}}\cdot\left(1+r\right)^{2}-k_{\mathrm{afbetaling}}\cdot\left(1+r\right)^{2}-k_{\mathrm{afbetaling}}\cdot\left(1+r\right) \\ \end{eqnarray}\]

Det kan nu ses at det generelle udtryk derfor er:

\[k_{n}=k_{\mathrm{\mathrm{lån}}}\cdot\left(1+r\right)^{n}-k_{\mathrm{afbetaling}}\cdot\sum_{l=0}^{n}\left(1+r\right)^{l}\]

Det vides at den geometriske serie er givet ved:

\[\sum_{l=0}^{n-1}x^{l}=\left(\frac{1-x^{n}}{1-x}\right)\]

Ved at indsætte \(x\rightarrow 1+r\) findes det nu at:

\[k_{n}=k_{\mathrm{lån}}\cdot\left(1+r\right)^{n}-k_{\mathrm{afbetaling}}\cdot\left(\frac{1-\left(1+r\right)^{n}}{-r}\right)\]

Lånet vil være tilbagebetalt når \(k_{n}=0\):

\[0=k_{\mathrm{lån}}\cdot\left(1+r\right)^{n}-k_{\mathrm{afbetaling}}\cdot\left(\frac{1-\left(1+r\right)^{n}}{-r}\right)\]

Den månedlige afbetaling bliver nu:

\[\begin{eqnarray} k_{\mathrm{afbetaling}} &=& k_{\mathrm{lån}}\cdot\frac{\left(1+r\right)^{n}}{\left(\frac{1-\left(1+r\right)^{n}}{-r}\right)} \\ &=& k_{\mathrm{lån}}\cdot\frac{-r\cdot\left(1+r\right)^{n}}{1-\left(1+r\right)^{n}} \\ &= & k_{\mathrm{lån}}\cdot\frac{-r}{\left(1-\left(1+r\right)^{n}\right)\cdot\left(1+r\right)^{-n}} \\ &=& k_{\mathrm{lån}}\cdot\frac{r}{1-\left(1+r\right)^{-n}} \end{eqnarray}\]

Den totale omkostning (lån + renter) ved lånet er nu:

\[k_{\mathrm{total}}=k_{\mathrm{lån}}\cdot\frac{r\cdot n}{1-\left(1+r\right)^{-n}}\]

Modellen for omkostningskorrigeret huspris vil derfor blive:

\[\begin{eqnarray} k_{\mathrm{omkostning}} &=& 0.8\cdot k_{\mathrm{huspris}}\cdot\frac{r\cdot n}{1-\left(1+r\right)^{-n}}+0.2\cdot k_{\mathrm{huspris}} \\ &=& \left(0.8\cdot \frac{r\cdot n}{1-\left(1+r\right)^{-n}}+0.2\right)\cdot k_{\mathrm{huspris}} \label{eq1}\tag{1} \end{eqnarray}\]

Indekset er herefter normeret således at det er 1, ved 1. kv. 1994.

Til at estimere realkreditlånsrenten er den lange rente brugt som proxy. Dataen for den lange rente er taget fra data.oecd.org, 21-05-2022. Den hentede data kan findes her langrente.txt.

Diskussion af resultater

Resultaterne af modellen kan ses i nedenstående graf, bemærk at basis huskøbsomkostninger indekset og huspris indekset er baseret på huspriserne for hele Danmark.

Det kan ses med det samme at huspriserne er steget markant siden 1994. Dog kan vi se at indekset for huskøbsomkostninger følger lønindekset over hele perioden, undtagen omkring 2007, som vi nu ved var en boligboble. Modellen fanger altså at boligpriserne var for høje i den periode.

Forskellen mellem indekset for huskøbsomkostninger og huspris-indekset kan tolkes til at være den rente-drevne stigning af boligpriserne. Her skal det huskes at renterne nu er så lave at de ikke kan forventes at falde yderligere, så ud fra denne model kan det altså ikke forventes at boligpriserne vil fortsætte med at være så eksplosive.

Hvis renterne forventes at blive ved med at være tæt på nul det næste lange stykke tid, er der til gengæld heller ikke nogen evidens for at boligmarkedet som aggregat er i en boble.

En vigtig men skjult antagelse i modellen er at modellen indirekte antager at alting var korrekt prissat i 1. kv. 1994. Denne antagelse er dog desværre svær at komme uden om.

Indtil videre er der ikke taget højde for geografiske effekter i boligpriserne.

Som det tydeligt kan ses har geografien kæmpe betydning for udviklingen af boligpriserne. Områder som Lolland og Langeland, som generelt anses til at være udkantsdanmark oplever stagnerende huspriser, hvor København til gengæld oplever meget hurtigt voksende boligpriser.

En mulig forklaring på dette kunne være affolkning af udkantsområderne og tilflytning til de større byer. Om denne tese kan underbygges med data, undersøges dog ikke i denne analyse.

En ting der kan bemærkes er dog at de tre næststørste byer (Aarhus, Aalborg og Odense), ligger omkring landsgennemsnittet i boligprisstigninger. Hvilket kan tolkes til at det kun er København der oplever urbaniserings-effekten, eller at huspriserne kunne være for høje i København. Den præsenterede model kan dog ikke sige noget specifikt om København.

I modellen er effekten af renter medtaget eksplicit. Til sidst, lad os se på hvad rente-stigninger kunne betyde for boligpriserne.

Ved at starte fra ligning (\ref{eq1}) kan det ses i modellen at huspriserne afhænger af renterne på følgende måde:

\[k_{\mathrm{huspris}}=k_{\mathrm{omkostning}}\left(0.8\cdot \frac{r\cdot n}{1-\left(1+r\right)^{-n}}+0.2\right)^{-1}\]

Dette kan nu plottes:

I ovenstående figur kan husprisernes afhængighed af renten ses, givet at man har et budget til alle omkostninger på 1.

Det kan ses at hvis renterne stiger “permanent” 2% vil priserne falde 20%, og hvis der er en “permanent” stigning på 4% vil priserne falde 35%.

Dette er selvfølgelig ikke overraskende, ved en belåningsgrad på 80% har renterne stor indflydelse på hvor meget man har råd til at låne.

Koden brugt til at lave graferne kan findes her: huspriser.py

Hvis du nød dette indlæg, kan du donere en kop kaffe , hvis du har lyst :)