Machine-Learning-Verfahren vs. hedonische Bewertung von Wohnimmobilien

Zum Download:

Du hast in deinem Paper den Unterschied zwischen Machine-Learning-Verfahren versus hedonischen Bewertungen von Wohnimmobilien verglichen. Zu Beginn: Wie funktioniert eine hedonische Bewertung und wie ein Machine-Learning- Verfahren?

Mittels einer hedonischen Bewertung wird der Preis einer Immobilie als Linearkombination ihrer bewertungsrelevanten Immobilienmerkmale (z.B. Kubatur, Grundstückfläche, Anzahl Parkplätze) berechnet. Mittels eines Machine-Learning-Verfahrens berechnet sich der Immobilienpreis als nicht notwendigerweise lineare Funktion der wichtigsten Immobilienmerkmale, wobei die Bewertung mittels eines Entscheidungsbaumes vorgenommen werden kann.

Welches Verfahren hat im Vergleich wie abgeschnitten?

Mit Abstand am besten schnitt der neuronale Netzwerk-Algorithmus (ANN) ab. Gefolgt vom Gradient Boosting-Algorithmus (GB). Am schlechtesten schnitt der Random Forrest-Algorithmus ab. Zwei ML-Verfahren (ANN, GB) generierten kleinere Bewertungsfehler verglichen mit dem hedonischen Bewertungsmodell.

Was würdest du zukünftig Maklern und Immobilienunternehmen raten, wie sie bei Einschätzungen vorgehen sollen?

Professionelle Marktteilnehmer am Schweizer Immobilienmarkt verfügen in der Regel über den Zugang zu mehr als einem automatisierten Immobilienbewertungs-Tool, d.h. sie sollten über sehr präzise Preisschätzungen bzw. Preisvorstellungen verfügen.

Was würdest du (privaten) Käufern raten? Reicht es in Zukunft, die Daten des zukünftigen Zuhauses in ein Onlinetool einzugeben, statt es extern bewerten zu lassen?

Ich würde bei einem Immobilienkauf neben einer automatisierten Bewertung (mittels einem etablierten hedonischen Modell oder mittels eines ML-Algorithmus) auf jeden Fall noch eine Zweit-Meinung eines mit dem lokalen Markt vertrauten Immobilienschätzers einholen.

Welche Resultate in deiner Arbeit haben dich am meisten überrascht?

Am meisten überrascht wurde ich vom exzellenten Abschneiden des künstlichen neuralen Netzwert-Algorithmus. Wenn man bedenkt, dass die Input-Daten (d.h. die quantitativen Immobilienmerkmale sowie die zu prognostizierende Variable, d.h. der Immobilienpreis, mehrmals transformiert wurden (d.h. zuerst wurde der Logarithmus gebildet, dann wurden die Variablen mittels einer nicht-linearen Funktion erneut transformiert), so war die überdurchschnittliche Prognoseleistung dieses Algorithmus doch erstaunlich.