Automated valuation models in the Greek real estate market

Abstract

This thesis presents results related to the Greek real estate market and specifically on ways of estimating real estate prices and the use of these methods in various domains of the economy. The thesis compares and contrasts different approaches of automated valuation models (AVMs) as well as the usefulness of such models in relation with the study of real estate market risk.The Greek real estate market has some characteristics that are different compared to other economies. In particular, there is much greater heterogeneity of real estate properties than that observed in other countries. Properties have a wide variety of characteristics and prices depend on various socio-economic characteristics, so the creation of price estimation models is not a simple process. In the current thesis, a large sample of Greek real estate properties is used to construct a series of different models with the purpose of investigating on the one hand whether these models can satisfactorily describe the real estate market and on the other hand comparing them in order to propose a holistic approach to the problem, but also to highlight the likelihood of combining different approaches.Chapter 1 provides a brief presentation of the real estate market both in Greece and worldwide to give a good picture of the problems and trends. Especially for Greece after the financial crisis, the real estate market demonstrates a series of difficulties, problems and challenges.Chapter 2 provides a bibliographic review of existing real estate appraisal models in the international literature. These models can fall into various categories both in terms of how they are used but also on how they handle the data. Afterwards, some of these methods will be applied on real estate data from Greece.Chapter 3 presents the findings of the thesis and specifically 3 integrated studies using these models. In the first section, three different methods are examined and compared. The first is the creation of a hedonic regression model for price prediction. This is a traditional approach with a long history in the real estate market. The model uses the characteristics of the property as explanatory variables in a linear regression format. The second concerns a model of geographical regression known as comparable based method - Similarity Measure Valuation- where houses with proximity and similar characteristics with the property under consideration are selected as the basis for generating a model. The third one involves a machine learning approach, specifically an artificial neural network, where the relationships of the variables with the price of the property can be strongly non-linear. The purpose of this chapter is on the one hand to compare alternative methods with completely different characteristics from each other but also to check whether their combination can improve the effort to create a better price forecasting model.The data concern properties throughout Greece and present, in contrast to most known data sets, a strong heterogeneity of the house characteristics but also a large dispersion throughout Greece making the creation of the model quite difficult. The findings of this section advocate the creation and combination of the individual three methods to generate a better prediction. Each model has better dynamics in specific cases so their combination is suggested as a useful approach. In the overall data the neural network has better results in out of sample predictions but a weighted average combination of the 3 methods further improves the forecasting accuracy.Section 3.2 makes a detailed comparison between methods that use local information (local models) and methods that use the entire data set (global models). Specifically, the first group of models uses the spatial characteristics of the houses to create the prediction models either by giving more weight to houses close to the estimated one or by choosing only houses close to the estimated ones, in order to take into account to a much greater extent the local features. These methods can use different weighting functions in relation to the proximity of houses. The second category of models is based mainly on regression based approaches that use all data irrespective of their proximity, as well as variable selection methods. The comparison showed that local models give better forecasts judging by the size of the forecast error. Their differences in relation to the global models are not huge but they are existent. Of these, the Gaussian process regression method showed the best results. Combination of methods again gives better results and can therefore be considered as an extension of their methodology.Section 3.3 examines the use of models for Risk estimation in the real estate market. More specifically, the interest is focused on the calculation of Value at Risk (VaR) for a real estate portfolio based on historical data. In this case a model is created which estimates the price of real estate at the next time point (quarter) and then, using indices, this price is predicted for a time horizon of up to 3 years. This forecast takes into account macroeconomic variables such as unemployment, inflation and others in order to take into account the course of the Greek economy. The results provide an important insight into the real estate market risk and are valuable tools for financial products related to the real estate market. This chapter uses forecasting accuracy measures (several error metric criteria), as per international literature.Overall, the thesis studies the possibility of using AVM for the Greek real estate market using modern models for this purpose. In the last chapter there is a discussion about the use of the results of these models as well as further research problems which were not explored in detail in the current study.

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.