Ein Haus, egal ob Sie ein täglicher Käufer sind, der Ihr Traumhaus oder ein erfahrener Immobilieninvestor sucht, es besteht eine gute Probability, dass Sie automatisierte Bewertungsmodelle oder AVMs gestoßen sind. Diese cleveren Instruments verwenden large Datensätze, die mit früheren Eigenschaftstransaktionen gefüllt sind, um den Wert Ihres potenziellen neuen Hauses vorherzusagen. Durch die Betrachtung von Funktionen wie Ort, Anzahl der Schlafzimmer, Badezimmer, Altersalter und mehr verwenden AVMs KI, um Verbände mit Verkaufspreisen zu lernen. Eine schnelle und kostengünstige Einschätzung von Eigenheimen klingt auf dem Papier großartig, und in vielen Fällen ist es großartig. Mit jeder Preisvorhersage kommt jedoch ein Maß an Unsicherheit, und wenn man diese Unsicherheit nicht berücksichtigt, kann es ein kostspieliger Fehler sein. In diesem Beitrag veranschaue ich die Anwendung der AI-Unsicherheitsquantifizierung für AVMs durch die AVMU-Methodik.
Preisvorhersage Unsicherheit?
Fangen wir einfach an. Stellen Sie sich vor, Sie suchen ein zweistöckiges Haus mit vier Schlafzimmern in einem gemütlichen Viertel in Virginia Seaside, VA. Sie haben einige lokale Wohnungsdaten heruntergeladen und sie verwendet, um Ihr eigenes AVM zu trainieren (Sie sind so technisch versiert!).
Fall 1: Zum Glück haben sich im vergangenen Jahr mehrere quick identische Häuser in der Nachbarschaft für rund 500.000 US -Greenback verkauft. Ihr AVM schlägt zuversichtlich vor, dass das Haus, an dem Sie interessiert sind, wahrscheinlich auch den gleichen Preis wert ist. Einfach genug, oder?
Aber hier wird es schwieriger:
Fall 2: Diesmal wurden in letzter Zeit keine ähnlichen zweistöckigen Häuser mit vier Schlafzimmern verkauft. Stattdessen zeigt Ihr Datensatz kleinere einstöckige Häuser, die mit 400.000 US-Greenback verkauft werden, und größere dreistöckige Häuser für 600.000 US-Greenback. Ihr AVM hat die Dinge im Durchschnitt aus und schlägt erneut 500.000 US -Greenback vor. Es ist sinnvoll, Ihr Zielhaus ist größer als die billigeren Häuser und kleiner als die teureren.
Beide Szenarien gaben Ihnen die gleiche Bewertung von 500.000 US -Greenback. Es gibt jedoch einen Haken: Das erste Szenario wird durch solide Daten (ähnliche Häuser verkauft) unterstützt, wodurch die Preisvorhersage ziemlich zuverlässig ist. Im zweiten Szenario dagegen könnte das Vertrauen der Preisvorhersage etwas riskanter sein. Mit weniger vergleichbarer Verkäufe musste die AVM eine „fundierte Vermutung“ machen, was zu einer weniger sicheren Preisvorhersage führte.
Das solide AVM für Fall 1 ist ein sehr hilfreiches Instrument zur Unterstützung des Entscheidungsunterstützung für den Kauf eines Eigenheims, aber der wackelige AVM, falls 2 eine völlig falsche Vorstellung vom Marktwert des Eigenheims geben kann. Hier ist die große Frage:
Wie können Sie feststellen, ob Ihre AVM -Vorhersage solide oder wackelig ist?
AVMU – eine Unsicherheitsquantifizierungstechnik für AVMs
Genau deshalb brauchen wir AVMU oder automatisierte Bewertungsmodellunsicherheit. AVMU ist ein neuer methodischer Rahmen, der uns hilft, genau zu quantifizieren, wie zuverlässig (oder unsicher) diese AVM -Vorhersagen sind. Stellen Sie sich dies als Vertrauensmesser für Ihre Vorhersage Ihrer Hauspreise vor und helfen Ihnen, klügere Entscheidungen zu treffen, anstatt einem Algorithmus blind zu vertrauen.
Kehren wir zu unserem Beispiel in Virginia Seaside zurück. Sie haben die Auflistungen ausgiebig durchsucht und Ihre Auswahl auf zwei fantastische Häuser eingeschränkt: Nennen wir sie nach Hause A und Dwelling B.
Natürlich möchten Sie als erstes wissen, dass ihre Marktwerte. Wenn Sie den Marktwert wissen, stellt Sie sicher, dass Sie nicht zu viel zu zahlen, Sie möglicherweise vor zukünftigen finanziellen Kopfschmerzen zu sparen und das Haus mit Verlust weiterzuverkaufen. Leider haben Sie in Virginia Seaside nicht viel Wissen über die Immobilienpreise, wie Sie ursprünglich aus (Fügen Sie den Namen des Ortes ein, den Sie aufgewachsen sind). Glücklicherweise erinnern Sie sich an die datenwissenschaftlichen Fähigkeiten, die Sie in der Graduiertenschule aufgegriffen haben, und beschließen zuversichtlich, Ihren eigenen AVM zu bauen, um die Marktwerte Ihrer beiden Kandidatenhäuser zu verstehen.
Um sicherzustellen, dass Ihre AVM -Vorhersagen so genau wie möglich sind, trainieren Sie das Modell mit dem mittleren Quadratfehler (MSE) wie Ihrer Verlustfunktion:
( textual content {mse} = frac {1} {n} sum_ {i = 1}^{n} (y_i – Hat {y} _i)^2 )
Hier ist (n ) die Anzahl der Häuser in Ihrem Trainingsdatensatz, ( Hat {y} _i ) repräsentiert die Preisvorhersage des AVM für Zuhause.
Nach dem Coaching des Modells wenden Sie Ihre AVM auf Häuser A und B. auf Ihre Überraschung (oder vielleicht die Aufregung?) An. Beide Häuser werden vom Algorithmus mit genau 500.000 US -Greenback bewertet. Sehr intestine, aber gerade als Sie ein Angebot für zu Hause B geben, ist ein Gedanke: Diese Vorhersagen sind keine absoluten Gewissheiten. Sie sind „Punktvorhersagen“, im Wesentlichen die beste Vermutung der AVM zum wahrscheinlichsten Marktwert. Tatsächlich ist der wahre Marktwert wahrscheinlich etwas höher oder niedriger, und es ist eher unwahrscheinlich, dass die AVM -Vorhersage den Marktwert auf den genauen Greenback gesetzt hat.
Wie messen wir diese Unsicherheit? Hier kommt die AVMU -Methodik mit einem einfachen, aber kraftvollen Ansatz ins Spiel:
-
Zunächst verwenden Sie Kreuzvalidation (z. B. 5-fach CV), um außerhalb der FALT-Preisvorhersagen, ( Hat {y} _i ), für alle (n ) Häuser in Ihrem Datensatz zu generieren.
-
Als nächstes berechnen Sie für jedes Haus, wie weit die Vorhersage vom tatsächlichen Verkaufspreis entfernt battle. Dieser Unterschied wird als absolute Abweichung bezeichnet, (| Hat {y} _i – y_i | ), zwischen der Preisvorhersage, ( Hat {y} _i ) und dem tatsächlichen Verkaufspreis (y_i ).
-
Anstatt Verkaufspreise vorherzusagen, schulen Sie ein separates „Unsicherheitsmodell“ (f ( Hat {y} _i, x_i) ) unter Verwendung dieser absoluten Abweichungen (| Hat {y} _i – y_i | ) als Ziel. Dieses spezielle Modell lernt Muster, die angeben, wann die AVM -Vorhersagen typischerweise genau oder ungewiss sind.
-
Schließlich wenden Sie dieses Unsicherheitsmodell an, um zu schätzen, wie unsicher die Preisvorhersagen für die Häuser A und B (dh Ihr Testsatz) sind, indem sie ihre absoluten Preisabweichungen vorhersagen. Sie haben jetzt einfache Unsicherheitsschätzungen für beide Häuser.
Jetzt weiß ich genau, was einige von Ihnen vielleicht über den dritten Schritt denken:
„Warten Sie eine Sekunde, Sie können nicht einfach eine Regression auf eine andere Regression legen, um zu erklären, warum der erste ausgeschaltet ist!“
Und du hättest absolut Recht. Nun, irgendwie. Wenn es klare, vorhersehbare Datenmuster gäbe, die zeigten, dass bestimmte Häuser von Ihrem AVM durchweg überteuert oder unterbewertet waren, würde dies bedeuten, dass Ihr AVM überhaupt nicht sehr intestine battle. Im Idealfall sollte ein guter AVM alle bedeutungsvollen Muster in den Daten erfassen. Aber hier ist die clevere Wendung: Anstatt vorherzusagen, ob ein Zuhause spezifisch überteuert oder unterbewertet ist (was wir als signierte Abweichung bezeichnen), konzentrieren wir uns auf absolute Abweichungen. Auf diese Weise können wir die Frage der Erklärung des Erklärungen, ob ein Zuhause zu hoch oder zu niedrig geschätzt wird, umgehen. Stattdessen lassen wir uns das Unsicherheitsmodell darauf konzentrieren, zu identifizieren, welche Arten von Häusern das AVM tendiert, um genau vorherzusagen und mit welchen sie zu kämpfen haben, unabhängig von der Richtung des Fehlers.
Aus der Perspektive eines Käufers sind Sie natürlich mehr Sorgen um eine Überzahlung. Stellen Sie sich vor, Sie kaufen ein Haus für 500.000 US -Greenback, nur um festzustellen, dass es tatsächlich nur 400.000 US -Greenback wert ist! In der Praxis ist es jedoch auch problematischer, den Wert eines Hauses zu unterschätzen, als Sie denken würden. Machen Sie ein Angebot, das zu niedrig ist, und Sie verlieren möglicherweise Ihr Traumhaus an einen anderen Käufer. Aus diesem Grund ist Ihr Ziel als versierter Käufer nicht nur die höchste oder niedrigste Preisvorhersage. Stattdessen sollte Ihre Priorität robuste, zuverlässige Bewertungen sein, die dem wahren Marktwert genau entsprechen. Und dank der AVMU -Unsicherheitsschätzungen können Sie jetzt sicherer genau bestimmen, welche Vorhersagen zu vertrauen sind.
Mathematisch kann der oben beschriebene Prozess so geschrieben werden:
.
Und:
( textual content {avmu} _i = f ( Hat {y} _i, x_i) )
Das Unsicherheitsmodell (f ( Hat {y} _i, x_i) ) kann auf jedem Regressionsalgorithmus basieren (sogar derselben wie Ihr AVM). Der Unterschied besteht darin, dass Sie für Ihr Unsicherheitsmodell nicht unbedingt daran interessiert sind, perfekte Vorhersagen für die absoluten Abweichungen zu erzielen. Stattdessen sind Sie daran interessiert, die Häuser auf der Grundlage der Vorhersageunsicherheit zu bewerten und dadurch zu erfahren, welche Preisvorhersagen von Dwelling A und Dwelling B von Bs B von B Dwelling B am meisten vertrauen können. Die für die AVM verwendete MSE -Verlustfunktion (siehe erste Gleichung) ist daher möglicherweise nicht die ideale Wahl.
Anstatt MSE zu verwenden, passen Sie daher Ihr Unsicherheitsmodell (f ( Hat {y} _i, x_i) ) an, um eine Verlustfunktion zu optimieren, die eher für das Rating geeignet ist. Ein Beispiel für eine solche Verlustfunktion ist die Maximierung der Rangkorrelation (dh Spearman’s ( rho )), gegeben durch:
( rho = 1 – frac {6 sum_ {i = 1}^{n} d_i^2} {n (n^2 – 1)} )
Hier bedeutet ein höheres ( rho ) Ihr Modell in Bezug auf die Vorhersageunsicherheit besser zu Hause. .
Jetzt haben Sie für beide Kandidatenhäuser eine AVM -Preisvorhersage und eine entsprechende AVMU -Unsicherheitsschätzung. Durch die Kombination dieser beiden Maßnahmen bemerken Sie schnell etwas Interessantes: Auch wenn mehrere Häuser den gleichen „höchstwahrscheinlichem Marktwert“ haben, kann die Zuverlässigkeit dieser Vorhersagen stark variieren. In Ihrem Fall sehen Sie, dass Dwelling B mit einer deutlich höheren AVMU -Unsicherheitsschätzung ausgestattet ist und signalisiert, dass sein tatsächlicher Marktwert weit entfernt von der Bewertung von 500.000 US -Greenback entfernt sein könnte.
Um sich vor dem unnötigen Risiko zu schützen, entscheiden Sie sich mit Bedacht für den Kauf von Dwelling A, dessen AVM -Bewertung von 500.000 USD durch stärkere Gewissheit unterstützt wird. Mit dem Vertrauen, das dank der AVMU wiederhergestellt wurde, haben Sie Ihren Kauf glücklich abgeschlossen, da Sie wissen, dass Sie eine intelligente, daten informierte Wahl getroffen haben, und Ihr neues Zuhause mit einem entspannten Getränk in Ihrem neuen Vorgarten feiern.
Ethik und andere Anwendungen von AVMU
Diese einfache Einführung in die AVM -Preisunsicherheit und wie AVMU Sie beim Kauf eines Hauses führen kann, ist nur eine der vielen potenziellen Anwendungen. Häuser sind nicht die einzigen Vermögenswerte, die von schnellen, kostengünstigen Bewertungswerkzeugen profitieren könnten. Während AVMs aufgrund zahlreicher Daten und leicht identifizierbaren Merkmalen häufig mit dem Wohnungsbau verbunden sind, können diese Modelle und ihre Unsicherheitsquantifizierung über AVMU für praktisch alles gelten, mit einem Marktpreis. Denken Sie an gebrauchte Autos, Sammlerstücke oder sogar Profi -Fußballspieler. Solange es Unsicherheit bei der Vorhersage ihrer Preise gibt, kann AVMU verwendet werden, um sie zu verstehen.
Wenn Sie sich an Wohnungen halten, können Kaufentscheidungen nicht der einzige Bereich sind, in dem AVMU verwendet werden kann. Hypothekengeber verwenden AVMs häufig, um den Sicherheitswert von Eigenschaften abzuschätzen, und übersehen jedoch häufig, wie ungleichmäßig die Genauigkeit dieser Preisvorhersagen sein kann. In ähnlicher Weise können Steuerbehörden AVMs verwenden, um Ihre Grundsteuern zu bestimmen, können jedoch versehentlich unfaire Bewertungen aufgrund unbestätigter Unsicherheiten festlegen. Das Erkennen der Unsicherheit durch AVMU kann dazu beitragen, diese Bewertungen auf der ganzen Linie fairer und genauer zu machen.
Trotz seiner Vielseitigkeit ist es jedoch wichtig, sich daran zu erinnern, dass kein Avmu perfekt ist. Es ist immer noch ein statistisches Modell, das sich auf Datenqualität und -quantität stützt. Kein Modell kann die Unsicherheit vollständig beseitigen, insbesondere die zufälligen Aspekte, die den meisten Märkten innewohnt, manchmal als aleatorische oder nicht reduzierbare Unsicherheit bezeichnet. Stellen Sie sich ein frisches Ehepaar vor, das die Head-Over-Heels für eine bestimmte Küche fällt und sie auffordert, weit über dem typischen Marktwert zu bitten. Oder vielleicht ein schlechtes Wetter, das die Wahrnehmung eines Hauses eines Hauses während eines Betrachtens negativ beeinflusst. Solche unvorhersehbaren Szenarien werden immer existieren, und AVMU kann nicht jeden Ausreißer erklären.
Denken Sie daran, Avmu gibt Ihnen Wahrscheinlichkeiten, keine festen Wahrheiten. Ein Zuhause mit einer höheren AVMU -Unsicherheit ist eher Um Preisabweichungen zu erleben, ist dies nicht garantiert. Und wenn Sie denken, „denken Sie“Sollte ich ein drittes Modell machen, um die Unsicherheit meines Unsicherheitsmodells vorherzusagen?„Es ist wahrscheinlich an der Zeit zu akzeptieren, dass eine gewisse Unsicherheit einfach unvermeidlich ist. Additionally, bewaffnet mit Ihren AVMU-informierten Erkenntnissen, entspannen Sie sich, umarmen Sie die Unsicherheit und genießen Sie Ihr neues Zuhause!
Referenzen
- AJ Pollestad, Ab Næss und A. verdrängen zu einer besseren Unsicherheitsquantifizierung in automatisierten Bewertungsmodellen (2024), The Journal of Immobilie Finanzen und Wirtschaft.
- AJ Pollestad und A. verdrängen, Unsicherheit nutzen: Ein neuer Ansatz für die Entscheidungsunterstützung für Immobilieninvestitionen (2025), quantitative Finanzen.