| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.07 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The goal of this paper is to create a modern model via the use of machine learning (such as support
vector regression, regression tree and neural networks) and google trends to predict real estate price
variations. The model should achieve significant predictive capabilities in monthly variations and
should be both interpretable and not overly complex. There is major interest in being able to predict
real estate prices and many articles have been published on the subject. Most traditional models use
economic data which are usually published quarterly or annually and thus are not very efficient for
short term predicting. There is interest from the investor point of view in the subject goes, yet it goes
beyond as it is one of the most important costs for a regular family. These models will use as inputs
various variables that effect either directly or indirectly prices in real estate. We will focus on the
Miami metropolitan area or the Miami-Fort Lauderdale-Pompano Beach area. The US market was
chosen because it provides the best access to reliable and consistent data. Our model will also focus on
predicting single family house prices which are very popular in the US. Our study has yielded mixed
results as the accuracy of the predictions is either mediocre or decent depending on the model used.
However, the accuracy in predicting the direction of the variation is very good with all models
obtaining 85% or above and one model superior to 95%.
O objetivo desta tese é criar um modelo moderno através do uso de aprendizagem automática (tais como o suporte de regressões vetoriais, árvores de regressão e redes neutras) e tendências do google para prever variações de preços no setor imobiliário. O modelo pretende obter grandes capacidades de previsão em variações mensais, que devem ser interpretáveis e pouco complexas. Existe grande interesse em ter capacidade de prever preços do mercado imobiliário, sendo que diversos artigos sobre o assunto têm sido publicados. A maioria dos modelos económicos tradicionais usam dados que são publicados numa base trimestral ou anual, o que faz com que não sejam muito eficientes para previsões a curto prazo. Existe um interesse do ponto de vista do investidor acerca do desenvolvimento do assunto, sendo que também é um dos mais importantes custos para uma família regular. Estes modelos vão usar como contributos variáveis que influenciam tanto direta como indiretamente os preços do mercado imobiliário. Nós vamo-nos focar na área Metropolitana de Miami ou a área de Miami-Fort Lauderdale-Pompano Beach. O mercado norte-americano foi escolhido porque proporciona o melhor acesso a informações consistentes e credíveis. O nosso modelo irá focar-se em prever preços de casas muito populares nos EUA para famílias singulares. O nosso estudo demonstrou resultados mistos, sendo que a precisão das previsões ou é medíocre ou é decente, dependendo do modelo usado. Contudo, a precisão em prever a trajetória da variação é muito boa, havendo modelos a obterem 85% ou mais, inclusive um com 95%.
O objetivo desta tese é criar um modelo moderno através do uso de aprendizagem automática (tais como o suporte de regressões vetoriais, árvores de regressão e redes neutras) e tendências do google para prever variações de preços no setor imobiliário. O modelo pretende obter grandes capacidades de previsão em variações mensais, que devem ser interpretáveis e pouco complexas. Existe grande interesse em ter capacidade de prever preços do mercado imobiliário, sendo que diversos artigos sobre o assunto têm sido publicados. A maioria dos modelos económicos tradicionais usam dados que são publicados numa base trimestral ou anual, o que faz com que não sejam muito eficientes para previsões a curto prazo. Existe um interesse do ponto de vista do investidor acerca do desenvolvimento do assunto, sendo que também é um dos mais importantes custos para uma família regular. Estes modelos vão usar como contributos variáveis que influenciam tanto direta como indiretamente os preços do mercado imobiliário. Nós vamo-nos focar na área Metropolitana de Miami ou a área de Miami-Fort Lauderdale-Pompano Beach. O mercado norte-americano foi escolhido porque proporciona o melhor acesso a informações consistentes e credíveis. O nosso modelo irá focar-se em prever preços de casas muito populares nos EUA para famílias singulares. O nosso estudo demonstrou resultados mistos, sendo que a precisão das previsões ou é medíocre ou é decente, dependendo do modelo usado. Contudo, a precisão em prever a trajetória da variação é muito boa, havendo modelos a obterem 85% ou mais, inclusive um com 95%.
Description
Keywords
Machine learning Google trends Real estate Prices Variations Miami Aprendizagem automática Tendências do google Setor imobiliário Preços Variações