scholarly journals International Real Estate Review

2021 ◽  
Vol 24 (2) ◽  
pp. 139-183
Author(s):  
Kristoffer B. Birkeland ◽  
◽  
Allan D. D’Silva ◽  
Roland Füss ◽  
Are Oust ◽  
...  
Keyword(s):  
Real Estate ◽  
Real Estate Market ◽  
Percentage Error ◽  
Residential Real Estate ◽  
Valuation Model ◽  
Stacked Generalization ◽  
Novel Approach ◽  
Out Of Sample ◽  
Selection For ◽  
Automated Valuation

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.

Pricing office rents in Sydney CBD: testing the water on automated rent reviews

2021 ◽  
Vol ahead-of-print (ahead-of-print) ◽  
Author(s):  
Olga Filippova ◽  
Jeremy Gabe ◽  
Michael Rehm
Keyword(s):  
Asset Pricing ◽  
Real Estate ◽  
Percentage Error ◽  
Residential Real Estate ◽  
Pricing Models ◽  
Content Type ◽  
Market Rent ◽  
Absolute Percentage Error ◽  
Asset Pricing Models ◽  
Out Of Sample

PurposeAutomated valuation models (AVMs) are statistical asset pricing models omnipresent in residential real estate markets, where they inform property tax assessment, mortgage underwriting and marketing. Use of these asset pricing models outside of residential real estate is rare. The purpose of the paper is to explore key characteristics of commercial office lease contracts and test an application in estimating office market rental prices using an AVM.Design/methodology/approachThe authors apply a semi-log ordinary least squares hedonic regression approach to estimate either contract rent or the total costs of occupancy (TOC) (“grossed up” rent). Furthermore, the authors adopt a training/test split in the observed leasing data to evaluate the accuracy of using these pricing models for prediction. In the study, 80% of the samples are randomly selected to train the AVM and 20% was held back to test accuracy out of sample. A naive prediction model is used to establish accuracy prediction benchmarks for the AVM using the out-of-sample test data. To evaluate the performance of the AVM, the authors use a Monte Carlo simulation to run the selection process 100 times and calculate the test dataset's mean error (ME), mean absolute error (MAE), mean absolute percentage error (MAPE), median absolute percentage error (MdAPE), coefficient of dispersion (COD) and the training model's r-squared statistic (R2) for each run.FindingsUsing a sample of office lease transactions in Sydney CBD (Central Business District), Australia, the authors demonstrate accuracy statistics that are comparable to those used in residential valuation and outperform a naive model.Originality/valueAVMs in an office leasing context have significant implications for practice. First, an AVM can act as an impartial arbiter in market rent review disputes. Second, the technology may enable frequent market rent reviews as a lease negotiation strategy that allows tenants and property owners to share market risk by limiting concerns over high costs and adversarial litigation that can emerge in a market rent review dispute.

scholarly journals Automated valuation models in the Greek real estate market

2021 ◽  
Author(s):  
Δημήτριος Ανδρίτσος
Keyword(s):  
Real Estate ◽  
Gaussian Process ◽  
Value At Risk ◽  
Gaussian Process Regression ◽  
Real Estate Market ◽  
Hedonic Regression ◽  
Local Models ◽  
Global Models ◽  
Out Of Sample ◽  
Automated Valuation

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.

scholarly journals Assessment of Average Market Investment Returns in Development of the Residential Real Estate in the Moscow Region

2019 ◽  
Vol 12 (3) ◽  
pp. 140-152
Author(s):  
S. G. Sternik ◽  
Ya. S. Mironchuk ◽  
E. M. Filatova
Keyword(s):  
Real Estate ◽  
Initial Data ◽  
Housing Market ◽  
Return On Investment ◽  
High Reliability ◽  
Real Estate Market ◽  
Moscow Region ◽  
Residential Real Estate ◽  
Market Return ◽  
Total Investment

In the previous work, G.M. Sternik and S.G. Sternik justified the options for the method of assessing the average current annual return on investment in residential real estate development, depending on the nature and content of the initial data on the costs contained in the sources of information (construction costs or total investment costs). Based on the analysis of the composition of the elements of development costs used in various data sources, we corrected the coefficients that allowed us to move from the assessment of the current annual return on investment in development in relation to the cost (full estimated cost) of construction to the assessment of the current annual return on investment in relation to the total investment costs. This calculation method was tested on the example of the housing market inMoscow. As a result, we concluded it is possible its use for investment management in the housing market. In this article, based on G.M. Sternik and S.G. Sternik’s methodology for assessing the return on investment into the development, and taking also into account the increase of information openness of the real estate market, we improved the calculation formulas, using new sources of the initial data, and recalculated the average market return on investment into the development of residential real estate in the Moscow region according to the data available for 2014–2017. We concluded that, since 2015, the average market return on investment takes negative values, i.e. the volume of investment in construction exceeds the revenue from sales in the primary market. However, in the second half of 2017, the indicator has increased to positive values, which was due to a greater extent of the decrease in the volume of residential construction in the region. The data obtained by us, together with the improved method of calculations, allow predicting with high reliability the potential of the development of the regional markets of primary housing for the purpose of investment and state planning of housing construction programs.

Spatial effects and non-linearity in hedonic modeling

2018 ◽  
Vol 36 (1) ◽  
pp. 32-49 ◽  
Author(s):  
Marcelo Cajias ◽  
Sebastian Ertl
Keyword(s):  
Real Estate ◽  
Functional Form ◽  
Asymptotic Properties ◽  
Additive Model ◽  
Percentage Error ◽  
Spatial Effects ◽  
Hedonic Models ◽  
Data Set ◽  
Content Type ◽  
Out Of Sample

Purpose The purpose of this paper is to test the asymptotic properties and prediction accuracy of two innovative methods proposed along the hedonic debate: the geographically weighted regression (GWR) and the generalized additive model (GAM). Design/methodology/approach The authors assess the asymptotic properties of linear, spatial and non-linear hedonic models based on a very large data set in Germany. The employed functional form is based on the OLS, GWR and the GAM, while the estimation methodology was chosen to be iterative in forecasting, the fitted rents for each quarter based on their 1-quarter-prior functional form. The performance accuracy is measured by traditional indicators such as the error variance and the mean squared (percentage) error. Findings The results provide evidence for a clear disadvantage of the GWR model in out-of-sample forecasts. There exists a strong out-of-sample discrepancy between the GWR and the GAM models, whereas the simplicity of the OLS approach is not substantially outperformed by the GAM approach. Practical implications For policymakers, a more accurate knowledge on market dynamics via hedonic models leads to a more precise market control and to a better understanding of the local factors affecting current and future rents. For institutional researchers, instead, the findings are essential and might be used as a guide when valuing residential portfolios and forecasting cashflows. Even though this study analyses residential real estate, the results should be of interest to all forms of real estate investments. Originality/value Sample size is essential when deriving the asymptotic properties of hedonic models. Whit this study covering more than 570,000 observations, this study constitutes – to the authors’ knowledge – one of the largest data sets used for spatial real estate analysis.

Sign in / Sign up

Export Citation Format

Share Document