Automated valuation models in the Greek real estate market

H διατριβή αυτή παρουσιάζει αποτελέσματα σχετικά με την ελληνική αγορά ακινήτων και συγκεκριμένα σχετικά με τρόπους εκτίμησης τιμών ακινήτων και της χρήσης των μεθόδων αυτών σε διάφορα θέματα της οικονομίας. H διατριβή προτείνει και συγκρίνει διαφορετικές προσεγγίσεις μοντέλων αυτόματης εκτίμησης τιμών ακινήτων (automated valuation models, AVMs) καθώς και της χρησιμότητας τέτοιων μοντέλων σε συνδυασμό με τη μελέτη του κινδύνου της αγοράς ακινήτων. Η Ελληνική αγορά ακινήτων παρουσιάζει μερικά χαρακτηριστικά που διαφέρουν από άλλες χώρες. Συγκεκριμένα υπάρχει αρκετά μεγαλύτερη ανομοιογένεια των ακινήτων σε σχέση με αυτή που κανείς παρατηρεί σε άλλες χώρες. Τα ακίνητα έχουν μεγάλη ποικιλία χαρακτηριστικών και οι τιμές του εξαρτώνται από διάφορα κοινωνικοοικονομικά χαρακτηριστικά με αποτέλεσμα η δημιουργία μοντέλων εκτίμησης των τιμών να μην είναι μια απλή διαδικασία. Στην παρούσα διατριβή ένα μεγάλο δείγμα από ακίνητα στον ελληνικό χώρο χρησιμοποιείται ως δείγμα για την κατασκευή μιας σειράς από διαφορετικά μοντέλα με σκοπό αφενός τη διερεύνηση κατά πόσο αυτά τα μοντέλα μπορούν να περιγράψουν ικανοποιητικά την αγορά ακινήτων αλλά και αφετέρου την μεταξύ τους σύγκριση με σκοπό να προταθεί μια συνολική προσέγγιση στο πρόβλημα αλλά και να αναδειχθεί η δυνατότητα συνδυασμού διαφορετικών προσεγγίσεων. Στο κεφάλαιο 1 γίνεται μια σύντομη παρουσίαση της αγοράς ακινήτων τόσο στην Ελλάδα όσο και στον κόσμο συνολικά για να δοθεί μια καλή εικόνα των προβλημάτων αλλά και των τάσεων. Ειδικά για την Ελλάδα μετά από την χρηματοοικονομική κρίση η αγορά ακινήτων παρουσιάζει μια σειρά από δυσκολίες, προβλήματα και προκλήσεις. Στο κεφάλαιο 2 γίνεται μι βιβλιογραφική ανασκόπηση σχετικά με τα υπάρχοντα στη διεθνή βιβλιογραφία μοντέλα εκτίμησης ακινήτων. Τα μοντέλα αυτά μπορούν να ενταχθούν σε διάφορες κατηγόριες τόσο ως προς τον τρόπο χρήσης τους αλλά και στον τρόπο που χρησιμοποιούν τα δεδομένα. Στη συνέχεια κάποιες από αυτές τις μεθόδους θα χρησιμοποιηθούν σε δεδομένα ακινήτων από την Ελλάδα. Συγκεκριμένα το κεφάλαιο 3 παρουσιάζει τα ευρήματά της διατριβής και συγκεκριμένα 3 ολοκληρωμένες μελέτες με τη χρήση των μοντέλων αυτών. Στην πρώτη ενότητα μελετώνται και συγκρίνονται 3 διαφορετικές σε προσέγγιση μέθοδοι. Η πρώτη είναι η δημιουργία ενός ηδονικού μοντέλου παλινδρόμησης (hedonic regression) για την πρόβλεψη των τιμών. Αυτό είναι ένα παραδοσιακό εργαλείο με αρκετή ιστορία στο χώρο της αγοράς ακινήτων. Το μοντέλο χρησιμοποιεί τα χαρακτηριστικά του ακινήτου ως επεξηγηματικές μεταβλητές σε ένα μοντέλο γραμμικής παλινδρόμησης. Το δεύτερο αφορά ένα μοντέλο γεωγραφικής παλινδρόμησης, Similarity Measure Valuation, όπου σπίτια κοντινά σε απόσταση και χαρακτηριστικά ως προς το υπό εκτίμηση ακίνητο επιλέγονται ως η βάση για τη δημιουργία ενός μοντέλου. Η τρίτη μέθοδος αφορά σε ένα μοντέλο μηχανικής μάθησης και συγκεκριμένα ένα τεχνητό νευρωνικό δίκτυο, όπου οι σχέσεις των μεταβλητών με την τιμή του ακινήτου μπορεί να είναι έντονα μη γραμμικές. Σκοπός του κεφαλαίου αυτού είναι αφενός να συγκριθούν 3 μέθοδοι με εντελώς διαφορετικά χαρακτηριστικά μεταξύ τους αλλά και να ελεγχθεί κατά πόσο ο συνδυασμός τους μπορεί να βελτιώσει την προσπάθεια για δημιουργία ενός καλυτέρου μοντέλου πρόβλεψής των τιμών. Τα δεδομένα αφορούν κατοικίες σε ολόκληρη την Ελλάδα και παρουσιάζουν σε αντίθεση με τα περισσότερα γνωστά σετ δεδομένων έντονη ανομοιογένεια των χαρακτηριστικών των σπιτιών αλλά και μεγάλη διασπορά σε όλη την Ελλάδα καθιστώντας τη δημιουργία του μοντέλου αρκετά δύσκολη. Τα ευρήματα αυτής της ενότητας συνηγορούν στη δημιουργία και το συνδυασμό επιμέρους των 3 μεθόδων ώστε να δημιουργηθεί μια καλύτερη πρόβλεψη. Κάθε μοντέλο έχει καλύτερη δυναμική σε συγκεκριμένες περιπτώσεις και έτσι ο συνδυασμός τους προτείνεται ως μια χρήσιμη προσέγγιση. Συνολικά στα δεδομένα το νευρωνικό δίκτυο έχει καλυτέρα αποτελέσματα σε out of sample προβλέψεις αλλά ο συνδυασμός των 3 μεθόδων με τη χρήση σταθμικού μέσου βελτιώνει περεταίρω τα αποτελέσματα. Στην ενότητα 3.2 γίνεται μια λεπτομερής σύγκριση ανάμεσα σε μεθόδους που χρησιμοποιούν τοπική πληροφορία (local models) και μεθόδους που χρησιμοποιούν ολόκληρο το σετ δεδομένων (global models). Συγκεκριμένα η πρώτη ομάδα μοντέλων χρησιμοποιεί τα χωρικά χαρακτηριστικά των σπιτιών ώστε να δημιουργήσει τα μοντέλα πρόβλεψης είτε δίνοντας μεγαλύτερο βάρος σε κατοικίες κοντά στην προς εκτίμηση είτε επιλέγοντας μόνο κατοικίες κοντά στην υπό εκτίμηση, ώστε να ληφθούν υπόψη σε πολύ μεγαλύτερο βαθμό τα τοπικά χαρακτηριστικά. Αυτές οι μέθοδοι μπορούν να χρησιμοποιήσουν διαφορετικές συναρτήσεις στάθμισης ως προς την εγγύτητα των σπιτιών. Η δεύτερη κατηγορία μοντέλων βασίζεται σε μοντέλα κυρίως παλινδρόμησης που χρησιμοποιούν όλα τα δεδομένα ανεξάρτητά με την εγγύτητα τους καθώς και μεθόδους επιλογής μεταβλητών. Η σύγκριση έδειξε ότι οι τοπικές μέθοδοι δίνουν καλύτερες προβλέψεις κρίνοντας με το μέγεθος του σφάλματος των προβλέψεων. Οι διαφορές τους σε σχέση με τις συνολικές μεθόδους δεν είναι τεράστιες αλλά είναι υπαρκτές. Από αυτές η μέθοδος της Gaussian process regression έδειξε τα καλυτέρα αποτελέσματα. Συνδυασμός μεθόδων δίνει κα πάλι καλυτέρα αποτελέσματα και συνεπώς μπορεί να θεωρηθεί ως μια επέκταση της μεθοδολογίας αυτών. Στην ενότητα 3.3 εξετάζεται η χρήση μοντέλων για τον υπολογισμό του ρίσκου για την αγορά ακινήτων. Πιο συγκεκριμένα το ενδιαφέρον εστιάζεται στον υπολογισμού του Value at risk (VaR) για ένα χαρτοφυλάκιο ακινήτων με βάση τα ιστορικά δεδομένα. Σε αυτή την περίπτωση δημιουργείται ένα μοντέλο το οποίο εκτιμά την τιμή των ακίνητων κατά την επόμενη χρονική στιγμή (τρίμηνο) και στη συνέχεια με τη χρήση δεικτών αυτή η τιμή προβλέπεται για χρονικό ορίζοντα μέχρι 3 χρόνια. Στην πρόβλεψη αυτή λαμβάνονται υπόψη μακροοικονομικές μεταβλητές όπως η ανεργία, ο πληθωρισμός και άλλα ώστε να ληφθεί υπόψη και η πορεία της οικονομίας της Ελλάδας στις προβλέψεις αυτές. Τα αποτελέσματα προσφέρουν μια σημαντική εικόνα σχετικά με τον κίνδυνο που έχει η αγορά ακινήτων και αποτελούν πολύτιμα εργαλεία για χρηματοοικονομικά προϊόντα που σχετίζονται με τη αγορά ακινήτων . Σε αυτό το κεφάλαιο χρησιμοποιούνται μέτρα ποιότητας των προβλέψεων σύμφωνα με τη διεθνή βιβλιογραφία.Συνολικά η διατριβή μελετά την δυνατότητα χρήσης ΑVM για την Ελληνική αγορά ακινήτων χρησιμοποιώντας σύγχρονα μοντέλα για το σκοπό αυτό. Στο τελευταίο κεφάλαιο υπάρχει μια συζήτηση σχετικά με τη χρήση των αποτελεσμάτων των μοντέλων αυτών καθώς και περαιτέρω ερευνητικά προβλήματα τα οποία δεν μελετήθηκαν διεξοδικά στη διατριβή αυτή.

Distance in geographic and characteristics space for real estate pricing

PurposeA common approach to predicting the price of residential properties uses the hedonic price model and its spatial extensions. Within the hedonic approach, real estate prices are decomposed into internal characteristics of an apartment, apartment characteristics and external characteristics. To account for the unobserved quality of the surrounding environment, price models include spatial price correlation factors, where the distance is usually measured as the distance in geographic space. In determining the price, a seller focuses not only on the observed and unobserved factors of the apartment and its environment but also on the prices of similar marketed objects that can be selected both by geographic proximity and by characteristics similarity. The purpose of this study is to show the latter point empirically. Design/methodology/approachThis study uses an ensemble clustering approach to measure objects' proximity and test whether the proximity of objects in the property characteristics space along with spatial correlation explain the significant variation in prices. FindingsIn this paper, the pricing behaviour of sellers in a reselling market in Perm, Russia is studied. This study shows that the price transmission mechanism includes both geographic and characteristics spaces. Practical implicationsAfter testing on market data, the proposed framework for the distance construct could be used to obtain higher predictive power for price predictive models and construction of automated valuation services. Originality/valueThis study tests the higher explanatory power of the model that includes both the distance measured in geographic and property characteristics spaces.

International Real Estate Review

We develop an automated valuation model (AVM) for the residential real estate market by leveraging stacked generalization and a comparable market analysis. Specifically, we combine four novel ensemble learning methods with a repeat sales method and tailor the data selection for each value estimate. We calibrate and evaluate the model for the residential real estate market in Oslo by producing out-of-sample estimates for the value of 1,979 dwellings sold in the first quarter of 2018. Our novel approach of using stacked generalization achieves a median absolute percentage error of 5.4%, and more than 96% of the dwellings are estimated within 20% of their actual sales price. A comparison of the valuation accuracy of our AVM to that of the local estate agents in Oslo generally demonstrates its viability as a valuation tool. However, in stable market phases, the machine falls short of human capability.

Developing Real Estate Automated Valuation Models by Learning from Heterogeneous Data Sources

In this paper we propose a data acquisition methodology, and a Machine Learning solution for the partially automated evaluation of real estate properties. The novelty and importance of the approach lies in two aspects: (1) when compared to Automated Valuation Models (AVMs) as available to real estate operators, it is highly adaptive and non-parametric, and integrates diverse data sources; (2) when compared to Machine Learning literature that has addressed real estate applications, it is more directly linked to the actual business processes of appraisal companies: in this context prices that are advertised online are normally not the most relevant source of information, while an appraisal document must be proposed by an expert and approved by a validator, possibly with the help of technological tools. We describe a case study using a set of 7988 appraisal documents for residential properties in Turin, Italy. Open data were also used, including location, nearby points of interest, comparable property prices, and the Italian revenue service area code. The observed mean error as measured on an independent test set was around 21 K€, for an average property value of about 190 K€. The AVM described here can help the stakeholders in this process (experts, appraisal company) to provide a reference price to be used by the expert, to allow the appraisal company to validate their evaluations in a faster and cheaper way, to help the expert in listing a set of comparable properties, that need to be included in the appraisal document.

Ignoring Spatial and Spatiotemporal Dependence in the Disturbances Can Make Black Swans Appear Grey

Automated valuation models (AVMs) are widely used by financial institutions to estimate the property value for a residential mortgage. The distribution of pricing errors obtained from AVMs generally show fat tails (Pender 2016; Demiroglu and James Management Science, 64(4), 1747–1760 2018). The extreme events on the tails are usually known as “black swans” (Taleb 2010) in finance and their existence complicates financial risk management, assessment, and regulation. We show via theory, Monte Carlo experiments, and an empirical example that a direct relation exists between non-normality of the pricing errors and goodness-of-fit of the house pricing models. Specifically, we provide an empirical example using US housing prices where we demonstrate an almost perfect linear relation between the estimated degrees-of-freedom for a Student’s t distribution and the goodness-of-fit of sophisticated evaluation models with spatial and spatialtemporal dependence.