Visual Working Paper Marty

HWZ Working Paper31. März 2021

Machine-Learning-Verfahren v. hedonische Bewertung von Wohnimmobilien

Mittlerweile gibt es auf dem Immobilienmarkt verschiedene digitale Möglichkeiten, um den Wert einer Immobilie schätzen zu lassen. Doch welches dieser Machine-Learning-Verfahren generiert die genausten Resultate? Oder ist es doch das hedonische Verfahren, dass eine Immobilie am exaktesten bewertet? Rudolf Marty, stellvertretender Leiter des Swiss Real Estate Institutes, untersuchte diese Fragen im aktuellen Working Paper.

Zum Download:

Working Paper: Machine-Learning-Verfahren versus hedonische Bewertung von Wohnimmobilien

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.

Künstlicher neuronaler Netzwerk-Algorithmus (ANN-Verfahren): Bei einem mehrschichtigen neuronalen Netz werden die Input-Variablen über eine oder mehrere verdeckte Schichten mit einer Output- bzw. Zielvariable verbunden (durch optimale Gewichtungsparameter)

Random Forrest-Algorithmus (RF-Verfahren): Beim RF-Algorithmus handelt es sich um ein Klassifikations- bzw. Regressionsverfahren, das aus mehreren und miteinander unkorrelierten Entscheidungsbäumen besteht.

Gradient Boosting-Algorithmus (GB): Ein GB-Algorithmus ist ein Regressions- bzw. Klassifikationsverfahren, das auf einer Vielzahl an Entscheidungsbäumen beruht (in der Regel mehr als bei Random Forest-Verfahren).

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.

 

Lea Bischoff Kommunikation HWZ

Lea Bischoff

Project Manager Corporate Communications

Verpassen Sie nichts! Abonnieren Sie unseren Newsletter.

Der Newsletter informiert Sie über die aktuellen Trends, News und Events an der HWZ.

Jetzt anmelden