Mostro que os preços das casas podem ser modelados usando aprendizado de máquina (kNN e tree-bagging) e um pequeno conjunto de dados composto por fatores macroeconômicos (FME), incluindo uma métrica de inflação (IPC), taxas do tesouro dos EUA (10 anos), Produto Interno Bruto (PIB) e tamanho da carteira dos bancos centrais (BCE, FED). Este conjunto de parâmetros abrange todas as partes envolvidas em uma transação (comprador, vendedor e instituição financeira), ignorando as propriedades intrínsecas de cada ativo e abrangendo questões locais (inflação) e de liquidez que podem impedir cada transação que compõe um mercado. O modelo aqui assume o ponto de vista de um trader imobiliário que está interessado tanto no financiamento quanto no preço da transação. O aprendizado de máquina permite a discriminação de dois períodos dentro do conjunto de dados. Políticas não convencionais de bancos centrais podem ter permitido que alguns investidores institucionais arbitrem entre retornos imobiliários e outros mercados de títulos (soberanos e corporativos). Finalmente, para avaliar o desempenho relativo dos modelos, realizei vários testes de sensibilidade, que tendem a restringir as possibilidades de cada abordagem para cada necessidade. Também mostro que alguns modelos podem prever a evolução dos preços nos próximos 4 trimestres com incertezas que superam as incertezas dos índices existentes.
Nicolas Houlié (Qui,) estudou essa questão.