Machine Learning für Immobilien-Analysen

Ein Team um Jonas Willwersch von der Universität Regensburg hat in einem Research Paper gezeigt, wie Machine Learning transparenter gemacht werden kann. Hierzu untersuchen die Autoren den Zusammenhang zwischen Frankfurter Wohnungsmieten und einem Set hedonischer Variablen. Grundlage ist ein Entscheidungsbaum-basierter Ansatz, wobei Gradientenverstärkung angewandt wird. Es werden sowohl Feature Importance, also Relevanz der einzelnen Variablen für die Vorhersage, als auch Feature Effects, also wie eine Variable das Ergebnis beeinflusst, untersucht. Gegenüber klassischen linearen und nichtlinearen Regressionen ergibt sich mit 92,5 % ein um rund 4,5 Prozentpunkte höheres Bestimmtheitsmaß.

Die Größe der Wohnung und ihr Alter haben wenig überraschend den größten Einfluss auf die Prognose der Wohnungsmiete. Weitere wichtige Faktoren sind die Entfernung zum geschäftlichen Zentrum der Stadt und zum nächsten Kaufhaus, die als Proxys für die Lage herangezogen werden, sowie das Vorhandensein einer Einbauküche.
 

Quelle: Lorenz, Willwersch, Cajiras, Fuerst
 

Im nächsten Schritt wird der konkrete Einfluss der Variablen auf die Miete analysiert. Größter positiver Einflussfaktor ist die Größe der Wohnung. Wobei der Zusammenhang von Log-Größe und Log-Miete linear ausfällt. Beim Alter ist der Effekt U-förmig: Je älter Wohnungen werden, umso geringer die Miete, bis sich der Effekt wieder umkehrt, da Altbauten offenbar begehrt sind. Die Entfernung zum Geschäftszentrum scheint erst relevant zu werden, wenn die Entfernung mehr als 5 km betrifft. Grundsätzlich fallen die Interaktionseffekte der einzelnen Variablen gering aus. Nichtsdestotrotz weisen die Autoren darauf hin, dass gewisse Kombinationen, etwa historische Gebäude mit Balkon in einer wohlhabenden Nachbarschaft höhere Mieten generieren als es die einzelnen Variablen für sich implizieren würden.

Quelle: Lorenz, Willwersch, Cajiras, Fuerst

 

Absolut|alternative bietet institutionellen Investoren einen einzigartigen Zugang zu liquiden alternativen Anlagestrategien, darunter Themen wie Smart-Beta- und Factor-Investing, Digital Assets, Quantitative Strategien, Künstliche Intelligenz und Sektorinvestments.