Dit artikel presenteert een model-agnostische methode voor het produceren van vastgoedprijsindexcijfers. De motivatie hiervoor is om niet-lineaire en niet-parametrische modellen, zoals Machine Learning (ML), op te nemen in de verzameling van algoritmen om prijsindexcijfers te berekenen.
De belangrijkste innovatie is het gebruik van individuele out-of-time voorspellingsfouten om prijsveranderingen te meten. De in deze studie gebruikte gegevens bestaan uit 29.998 commerciële vastgoedtransacties in New York, in de periode 2000-2019. De resultaten geven aan dat de voorspellingsnauwkeurigheid hoger is voor de ML-modellen in vergelijking met lineaire modellen. Aan de andere kant zijn ML-algoritmen meer afhankelijk van de gegevens die worden gebruikt voor de kalibratie; ze produceren minder stabiele resultaten wanneer ze worden toegepast op kleine steekproeven en kunnen bias vertonen. Daarom moeten maatregelen worden genomen om de bias te verminderen, rekening houdend met de bias- en variantie trade-off.
Download whitepaper (in het Engels)
Auteurs:
- Felipe D. Calainho, PhD kandidaat, University of Amsterdam Business School
- Alex M. van de Minne, Research Scientist MIT Center for Real Estate
- Marc K. Francke, University of Amsterdam - Faculty of Economics and Business and Ortec Finance