Hur är Valueguard-KTH:s bostadsindex konstruerat?

I morgon publicerar Mäklarstatistik sin data över bostadsprisutvecklingen i Sverige, och med det uppdateras de statistiska bostadsindex som jag har gjort teknisk analys på, NASDAQ OMX Valueguard-KTH Housing Index (HOX), t ex HOXFLATSWE. Det är relevant att förstå hur dessa index är uppbyggda och vad det är för skillnad på data från Mäklarstatistik och ett statistiskt index.

I dagligt tal i Sverige blandar man oftast ihop statistik och data. Det som i själva verket bara är data kallas oftast för statistik. Mäklarstatistik kallar sig rent av för just Mäklarstatistik, trots att de bara levererar data. Data, dvs obehandlad information. Mäklarstatistiks siffror kommer automatiskt från anslutna mäklarfirmors IT-system, och är i sig någorlunda rättvisande. Men det är bara data. Antal affärer, pris för varje affär etc och presenteras som ett snittpris för villor eller snittpris för bostadsrätter eller kvadratmeterpris.

Men det finns en lång rad annan data om de sålda objekten i mäklarnas IT-system och allt detta data köps av Valueguard. Därefter behandlas datat och görs relevant. Det förvandlas till statistik, dvs relevanta siffror, och bygger upp index. Därför rapporterade t ex Mäklarstatistik om 9% prisfall för lägenheter i Malmö, men Valueguard-KTH:s index för Malmö enligt nedan föll bara med ca 2.5%.

Valueguard-KTH använder en statistisk hedonisk modell (en kvalitetsjusterad modell i dagligt tal) för att justera prisutvecklingen. T ex kompenserars försäljning av nyproduktion, och indexpåverkande stora avvikelser, outliers, stryks. Om enskilda objekt alltså avviker kraftigt från normal prissättning åt något håll är de inte med. I fallet villor, ett index jag än så länge inte följer då de bara finns för några månader, så finns t ex anhörigförsäljning där man säljer till familjepris. Om man använder en mäklare för att administrera det hela kommer en sådan affär att strykas ur statistiken, och man kan tänka sig motsvarande familjepris även för bostadsrätter. Och vissa objekt, även inom bostadsrätter, kan vara så extremt speciella att de avviker brutalt. Extremt nedslitna lägenheter där någon person med psykiska problem bott, eller extrema premiumlägenheter. Eller superpremiumvillor för tiotals miljoner kronor, som kan betinga ett skyhögt kvadratmeterpris.

Valueguard-KTH:s index bryter även ner de 20 städer som man använder som underlag för index i fem geografiska områden, centrum och fyra kvadranter. Varje stad har ett geografiskt centrum och sedan fyra kvadranter i riktningar som nordväst, nordöst, sydväst, sydöst. Som vi vet betingar lägenheter normalt olika priser i olika områden. Exempelvis hittar man nordöst i Göteborgs kommun de göteborska ghettona där priserna är lägre. Städerna som utgör urvalet för indexberäkningen för hela landet är Stockholm, Göteborg, Uppsala, Malmö, Solna, Nacka, Västerås, Järfälla, Helsingborg, Linköping, Lund, Umeå, Haninge, Täby, Gävle, Jönköping, Örebro, Sundsvall, Karlstad och Norrköping. Underlag för index för mellanstora städer är samma, men med Stockholm, Göteborg och Malmö uteslutna. Viss tyngd kring Stockholmområdet och Malmö, där flera närliggande kommuner finns med, medan Göteborg och Västsverige bara är representerade med en enda kommun, nämligen Göteborg. En möjlig punkt för kritik där. Även inre Norrland saknar representation, men till skillnad mot Västsverige bor det inte närmare två miljoner människor där.

Man delar vidare ner försäljningarna per församling för ytterligare geografisk uppdelning.

Lägenheter delas också in i byggår och justerar alltså bland annat för om det är en nybyggd lägenhet, sekelskifteslägenhet eller en lägenhet byggd under miljonprogrammens bygghets. Eller om det är en nybyggd lägenhet.

Slutligen tas hänsyn till lägenhetens pris (naturligtvis), yta, antal rum, månadsavgift, balkong, våning i huset (specifikt första våning, respektive översta våningen, samt övriga), förekomst av hiss och antal meter till centrum.

Detta leder fram till att Valueguard-KTH:s bostadsindex alltså kompenserar för prispåverkande faktorer som var lägenheten ligger och vad för lägenhet det rör sig om, och är statistik, inte data. Exempelvis säljs det förhållandevis fler små (och därmed dyrare per kvadratmeter) lägenheter kring terminsstart på högskole- och universitetsorterna, men en sådan ökning av kvadratmeterprisets data justerar allts Valueguard-KTH index för. Säljs det under en månad ovanligt många superpremiumlägenheter i centrala Stockholm kommer inte index att påverkas felaktigt av det heller, även om Mäklarstatistik då kanske skulle rapportera stigande kvadratmeterpriser i Stockholm. Säljs ett helt område med nyproducerade lägenheter en viss månad kommer det också att vägas korrekt i index.

Kort sagt så är Valueguard-KTH:s index både relevant och rättvisande för bostadsprisutvecklingen då man tar hänsyn till prispåverkande kvaliteter, aka hedonics. Vare sig Mäklarstatistik eller SCB:s data är relevant i jämförelse.

Valuguard-KTH:s index jämför alltså i princip en tvåa på översta våningen i en viss församling byggd ett visst år med en annan tvåa i samma församling, justerat för kvalitetsskillnaden i att den andra tvåan inte ligger på översta våningen och i ett hus utan hiss.

Den som vill läsa vilka formler som tagits fram under ledning av professor Mats Wilhelmsson på KTH:s centrum för bank och finans tittar lämpligen på den tekniska produktbeskrivningen. För övriga mindre tekniska eller akademiska beskrivningar se Valueguards webplats.

Nu kanske någon vän av ordning (har många sådana) vill påstå att jag kastar sten i glashus här då jag brukar kritisera KPI:s likartade utformning. Det stämmer bra det. Men för KPI finns ett antal relevanta fel, t ex så speglar inte sammansättningen någon enda enskild svensks konsumtionsvanor. Och hedonics kan man bara använda när det finns alternativ. Även om en platt-TV kvalitetsmässigt blir billigare än en tjock-TV, så finns det ju inga tjock-TV att köpa längre (i princip), och därmed måste den som köper en TV idag betala mer för TV:n än för 10 år sedan, trots att den i statistiken påstås vara billigare. Det är samma skitprogram som visas på TV:n även om skärmen är tunnare…

KPI kan dock vara relevant som konjunkturmätare eller beslutsunderlag, men är t ex inte relevant för vad för lönekrav svenskarna skall ställa på arbetsgivaren vid en löneförhandling eller hur kostnadsökningarna är för individen. Om man nu inte är en 45-årig nybliven kedjerökande sjuklig mamma med dubbla bostäder, som studerar heltid och samtidigt har råd med ett antal utlandssemestrar men ändå måste köpa nya möbler, inventarier och husgeråd trots sin ålder. (Antagligen var mamman en hemmarbetande egenföretagare som fick huset nedbrunnet efter sängrökning på fyllan och brändes svårt i branden och därmed blev av med sin försörjning så hon behövde börja studera för att kunna få ett nytt jobb, samtidigt som hon födde en bebis och har kvar lånen på villan men hyr en lägenhet under tiden. För en sådan individ är KPI relevant. Det kanske finns 1-2 sådana personer i Sverige idag och även för dem är det hela ett övergående tillstånd. Förhoppningsvis.)

Valueguard-KTH:s index är däremot relevant för alla som vill följa den korrekta prisutvecklingen på bostadsmarknaden. Möjligen undantaget de som bor i Västergötland, Bohuslän eller Halland. För övrigt har Valueguard fått 1.2 MSEK i statligt stöd från Vinnova, så skattebetalarna i Västsverige bör här göra uppror och kräva att någon kommun till från Västsverige tas med. Bara det inte är Trollhättan…

I morgon återkommer jag med uppdaterad teknisk analys för bostadsindex. Jag hoppas även kunna publicera en alternativ teknisk analys från en gästskribent.

Ingen form av ersättning har utgått till vare sig mig eller någon till mig närstående för att skriva detta inlägg.

Tillägg: Ett exempel på statistik kontra data kan vara vid en kollaps av bostadsmarknaden. Volymen faller drastiskt i svårsålda objekt, och därmed stiger kvadratmeterpriserna i Mäklarstatistiks data när bara premiumobjekt säljs. Men eftersom Valueguard-KTH:s index tar hänsyn till kvaliteten på objekten som säljs, så kan HOX-index visa fallande priser trots att Mäklarstatistik visar stigande priser, detta eftersom premiumobjekten faller i pris även om deras ökade volymandel drar upp medelpriserna. Statistiken beskriver alltså verkligheten, medan obehandlat data blir missvisande.