Valoración automática de inmuebles residenciales mediante modelos de Machine Learning

Autores/as

DOI:

https://doi.org/10.17561/ree.n2.2023.7823

Palabras clave:

valoración inmobiliaria, machine learning, gradient boosting machine

Resumen

La literatura reciente sobre valoración inmobiliaria ha aportado diversas evidencias en el ámbito internacional sobre el buen desempeño de los modelos de machine learning en la predicción del comportamiento de los precios, sobre todo si se comparan con los obtenidos por los denominados métodos tradicionales valoración, muy extendidos sobre todo en la práctica profesional. Con todo, se siguen remarcando algunas limitaciones como el diseño de caja negra y la dificultad en la interpretación de los resultados proporcionados por estas técnicas. Este trabajo tiene por objeto comparar los resultados y el desempeño de diferentes modelos de machine learning aplicados en el ámbito de la valoración inmobiliaria residencial. Para ello se ha recopilado una amplia base de datos con ofertas de inmuebles en la ciudad de Madrid, que permite dividir la muestra en los grupos de entrenamiento y test. La comparación entre los modelos se ha llevado a cabo a través de diferentes métricas, entre las que destaca el MAPE (Mean Absolute Percentage Error) por ser uno de los preferidos por las sociedades de tasación. Las métricas utilizadas confirman un buen rendimiento generalizado para el conjunto de modelos entrenados, con variaciones relativamente pequeñas tras el proceso de validación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

REFERENCIAS

Abidoye, R. B., Junge, M., Lam, T. Y., Oyedokun, T. B., & Tipping, M. L. (2019). Property valuation methods in practice: evidence from Australia. Property management, 37(5), 701–718.

Ahn, J. J., Byun, H. W., Oh, K. J., & Kim, T. Y. (2012). Using ridge regression with genetic algorithm to enhance real estate appraisal forecasting. Expert Systems with Applications, 39(9), 8369–8379.

Arribas, I., García, F., Guijarro, F., Oliver, J., & Tamošiūnienė, R. (2016). Mass appraisal of residential real estate using multilevel modelling. International Journal of Strategic Property Management, 20(1), 77–87.

Baldominos, A., Blanco, I., Moreno, A. J., Iturrarte, R., Bernárdez, Ó., & Afonso, C. (2018). Identifying real estate opportunities using machine learning. Applied Sciences, 8(11), 2321.

Grover, R. (2016). Mass valuations. Journal of Property Investment & Finance, 34(2), 191–204.

Guijarro, F. (2019). Assessing the impact of road traffic externalities on residential price values: A case study in Madrid, Spain. International Journal of Environmental Research and Public Health, 16(24), 5149.

Guijarro, F. (2021). A mean-variance optimization approach for residential real estate valuation. Real Estate Management and Valuation, 29(3), 13–28.

Hamid, A. (2007). Combining geographic information systems and regression models to generate locational value residual surfaces in the assessment of residential property values. Pacific Rim Property Research Journal, 13(1), 35–62.

Ho, W. K., Tang, B. S., & Wong, S. W. (2021). Predicting property prices with machine learning algorithms. Journal of Property Research, 38(1), 48–70.

Kok, N., Koponen, E. L., & Martínez-Barbosa, C. A. (2017). Big data in real estate? From manual appraisal to automated valuation. The Journal of Portfolio Management, 43(6), 202–211.

Kontrimas, V., & Verikas, A. (2011). The mass appraisal of the real estate by computational intelligence. Applied Soft Computing, 11(1), 443–448.

Kucklick, J. P., & Müller, O. (2020). Location, location, location: Satellite image-based real-estate appraisal. arXiv preprint arXiv:2006.11406.

Lenk, M. M., Worzala, E. M., & Silva, A. (1997). High-tech valuation: should artificial neural networks bypass the human valuer?. Journal of Property Valuation and Investment, 15(1), 8–26.

Ministerio de Economía (2003). Orden ECO/805/2003, de 27 de marzo, sobre normas de valoración de bienes inmuebles y de determinados derechos para ciertas finalidades financieras. Madrid, España.

MSCI (2022). Real Estate Market Size 2021/22. Annual update on the size of the professionally managed global real estate investment market. https://www.msci.com/www/research-report/real-estate-market-size-2021-22/03296053034. Consultado el 02/01/2023.

Pagourtzi, E., Assimakopoulos, V., Hatzichristos, T., & French, N. (2003). Real estate appraisal: a review of valuation methods. Journal of Property Investment & Finance, 21(4), 383–401.

Pearson, T. D. (1991). Location! Location! Location! What Is Location?. The Appraisal Journal, 59(1), 7.

Selim, H. (2009). Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert systems with Applications, 36(2), 2843–2852.

Simlai, P.E. (2021). Predicting owner-occupied housing values using machine learning: An empirical investigation of California census tracts data. Journal of Property Research, 38(4), 305–336.

Sing, T. F., Yang, J. J., & Yu, S. M. (2022). Boosted tree ensembles for artificial intelligence based automated valuation models (AI-AVM). The Journal of Real Estate Finance and Economics, 65(4), 649–674.

Steurer, M., Hill, R. J., & Pfeifer, N. (2021). Metrics for evaluating the performance of machine learning based automated valuation models. Journal of Property Research, 38(2), 99–129.

Tchuente, D., & Nyawa, S. (2022). Real estate price estimation in French cities using geocoding and machine learning. Annals of Operations Research, 308(1), 571–608.

Valier, A. (2020). Who performs better? AVMs vs hedonic models. Journal of Property Investment & Finance, 38(3), 213–225.

Wang, D., & Li, V. J. (2019). Mass appraisal models of real estate in the 21st century: A systematic literature review. Sustainability, 11(24), 7006.

Publicado

2023-07-25

Cómo citar

Guijarro Martínez, F. (2023). Valoración automática de inmuebles residenciales mediante modelos de Machine Learning. Revista De Estudios Empresariales. Segunda Época, (2), 27–40. https://doi.org/10.17561/ree.n2.2023.7823

Número

Sección

SECCIÓN ESPECIAL