Una casa, ya sea un comprador cotidiano que busca la casa de sus sueños o un inversor de propiedades experimentado, hay una buena posibilidad de que haya encontrado modelos de valoración automatizados o AVM. Estas herramientas inteligentes utilizan conjuntos de datos masivos llenos de transacciones de propiedades anteriores para predecir el valor de su nuevo hogar potencial. Al considerar características como ubicación, número de habitaciones, baños, edad de la propiedad y más, AVMS usa AI para aprender asociaciones con los precios de venta. Una evaluación rápida y de bajo costo de cualquier hogar suena muy bien en papel, y en muchos casos es genial. Sin embargo, con cada predicción de precios viene un nivel de incertidumbre, y no considerar esta incertidumbre puede ser un error costoso. En esta publicación, ilustra la aplicación de la cuantificación de incertidumbre AI-AVM a través de la metodología AVMU.
¿Incertidumbre de predicción de precios?
Empecemos simple. Imagine que está buscando una casa de dos pisos y cuatro habitaciones en un vecindario acogedor en Virginia Beach, VA. Has descargado algunos datos de viviendas locales y los ha usado para entrenar su propia AVM (¡eres un experto en tecnología así!).
Caso 1: Suerte, varias casas casi idénticas en el vecindario se han vendido por alrededor de $ 500,000 en el último año. Su AVM sugiere con confianza que la casa que le interesa también valdrá el mismo precio. Bastante fácil, ¿verdad?
Pero aquí es donde se pone más complicado:
Caso 2: Esta vez, recientemente no se han vendido casas similares de dos pisos y cuatro habitaciones. En cambio, su conjunto de datos muestra casas más pequeñas de un piso que se venden a $ 400,000, y casas más grandes de tres pisos cuestan $ 600,000. Su AVM promedia las cosas y nuevamente sugiere $ 500,000. Tiene sentido, su casa objetivo es más grande que las casas más baratas y más pequeñas que las más caras.
Ambos escenarios le dieron la misma valoración de $ 500,000. Sin embargo, hay una trampa: el primer escenario está respaldado por datos sólidos (viviendas similares que se venden recientemente), lo que hace que la predicción de precios sea bastante confiable. En el segundo escenario, por otro lado, confiar en la predicción de precios podría ser un poco más riesgoso. Con menos ventas comparables, la AVM tuvo que hacer “una suposición educada”, lo que llevó a una predicción de precios menos cierta.
La AVM sólida en el caso 1 es una herramienta de soporte de decisiones muy útil para comprar una casa, pero la AVM inestable en el caso de 2 puede darle una idea totalmente incorrecta del valor de mercado de la casa. Aquí está la gran pregunta:
¿Cómo puede saber si su predicción AVM es sólida o inestable?
AVMU: una técnica de cuantificación de incertidumbre para AVM
Esta es exactamente la razón por la que necesitamos Avmu, o incertidumbre automatizada del modelo de valoración. AVMU es un marco metodológico reciente que nos ayuda a cuantificar exactamente cuán confiables (o inciertas) son estas predicciones AVM. Piense en ello como un medidor de confianza para la predicción de los precios de su vivienda, ayudándole a tomar decisiones más inteligentes en lugar de confiar ciegamente en un algoritmo.
Volvamos a nuestro ejemplo de Virginia Beach. Has navegado extensamente y reduciste tus opciones a dos casas fantásticas: llamémoslos en casa A y Home B.
Por supuesto, lo primero que desea saber es sus valores de mercado. Conocer el valor de mercado asegura que no pague de más, potencialmente ahorrándole de los futuros dolores de cabeza financieros y tener que revender la casa con pérdidas. Desafortunadamente, no tienes mucho conocimiento sobre los precios de la vivienda en Virginia Beach, como eres originario [insert name of the place you grew up]. Afortunadamente, recuerda las habilidades de ciencia de datos que recogió en la escuela de posgrado y decidió con confianza construir su propia AVM para comprender los valores de mercado de sus dos casas candidatas.
Para asegurarse de que sus predicciones AVM sean lo más precisas posible, capacite al modelo utilizando el error medio cuadrado (MSE) como su función de pérdida:
\[\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2\]
Aquí, \ (n \) es el número de casas en su conjunto de datos de entrenamiento, \ (\ hat {y} _i \) representa la predicción de precios de AVM para el hogar \ (i \), y \ (y_i \) es el precio real al que se vendió el hogar \ (i \).
Después de entrenar al modelo, aplica ansiosamente su AVM a las casas A y B. Para su sorpresa (¿o tal vez la emoción?), Ambas casas están valoradas en exactamente $ 500,000 por el algoritmo. Muy bien, pero justo cuando estás a punto de hacer una oferta en el hogar B, un pensamiento ocurre: estas predicciones no son certezas absolutas. Son “predicciones puntuales”, esencialmente la mejor suposición de la AVM con el valor de mercado más probable. De hecho, el verdadero valor de mercado es probablemente algo más alto o más bajo, y es bastante poco probable que la predicción AVM obtuviera el valor de mercado hasta el dólar exacto.
Entonces, ¿cómo medimos esta incertidumbre? Aquí es donde entra en juego la metodología Avmu, con un enfoque directo pero poderoso:
-
Primero, usa la validación cruzada (por ejemplo, 5 veces CV) para generar predicciones de precios no dobladas, \ (\ hat {y} _i \), para todas las casas \ (n \) en su conjunto de datos.
-
Luego, para cada hogar, calcula qué tan lejos estaba la predicción del precio de venta real. Esta diferencia se llama desviación absoluta, \ (| \ hat {y} _i – y_i | \), entre la predicción de precios, \ (\ hat {y} _i \), y el precio de venta real, \ (y_i \).
-
Luego, en lugar de predecir los precios de venta, capacita un “modelo de incertidumbre” separado, \ (f (\ hat {y} _i, x_i) \), usando estas desviaciones absolutas, \ (| \ hat {y} _i – y_i | \), como el objetivo. Este modelo especial aprende patrones que indican cuándo las predicciones AVM son típicamente precisas o inciertas.
-
Finalmente, aplica este modelo de incertidumbre para estimar cuán inciertas son las predicciones de precios para los hogares A y B (es decir, su conjunto de pruebas), predecir sus desviaciones de precios absolutas. Ahora tiene estimaciones de incertidumbre simples para las dos casas.
Ahora, sé exactamente lo que algunos de ustedes podrían estar pensando en el tercer paso:
“¡Espera un segundo, no puedes poner una regresión encima de otra regresión para explicar por qué el primero está fuera!”
Y estarías absolutamente en lo cierto. Bueno, más o menos. Si hubiera patrones de datos claros y predecibles que muestran que ciertas casas eran constantemente caras o son poco económicas por su AVM, eso significaría que su AVM no era muy buena en primer lugar. Idealmente, una buena AVM debería capturar todos los patrones significativos en los datos. Pero aquí está el giro inteligente: en lugar de predecir si una casa es específicamente caras o poco económicas (lo que llamamos la desviación firmada), nos centramos en las desviaciones absolutas. Al hacer esto, evitamos el problema de explicar si una casa se valora demasiado o demasiado bajo. En cambio, dejamos que el modelo de incertidumbre se centre en identificar qué tipos de hogares tienden a predecir con precisión y cuáles lucha, sin importar la dirección del error.
Desde la perspectiva de un comprador de vivienda, naturalmente está más preocupado por pagar en exceso. ¡Imagine comprar una casa por $ 500,000 solo para descubrir que en realidad vale solo $ 400,000! Pero en la práctica, subestimar el valor de un hogar también es más problemático de lo que piensas. Haga una oferta demasiado baja, y puede perder la casa de sus sueños con otro comprador. Es por eso que, como comprador inteligente equipado con predicciones de AVM, su objetivo no es solo perseguir la predicción de precios más alta o más baja. En cambio, su prioridad debe ser valoraciones sólidas y confiables que coincidan estrechamente con el verdadero valor de mercado. Y gracias a las estimaciones de incertidumbre de Avmu, ahora puede identificar con mayor confianza en qué predicciones confiar.
Matemáticamente, el proceso descrito anteriormente se puede escribir así:
\[|\hat{y}_i – y_i| = F(\hat{y}_i, x_i) + \varepsilon_i \quad \text{for } 1 \leq i \leq n\]
y:
\[\text{AVMU}_i = F(\hat{y}_i, x_i)\]
El modelo de incertidumbre, \ (f (\ hat {y} _i, x_i) \), puede basarse en cualquier algoritmo de regresión (incluso el mismo que su AVM). La diferencia es que para su modelo de incertidumbre no está necesariamente interesado en lograr predicciones perfectas para las desviaciones absolutas. En cambio, está interesado en clasificar las casas en función de la incertidumbre de la predicción y, por lo tanto, aprender en qué de las predicciones de precios de Home A y Home B pueden confiar más. La función de pérdida de MSE utilizada para la AVM (ver primera ecuación), por lo tanto, podría no ser la opción ideal.
En lugar de usar MSE, por lo tanto, se ajusta a su modelo de incertidumbre, \ (f (\ hat {y} _i, x_i) \), para optimizar una función de pérdida más adecuada para la clasificación. Un ejemplo de dicha función de pérdida es maximizar la correlación de rango (es decir, Spearman’s \ (\ rho \)), dada por:
\[\rho = 1 – \frac{6 \sum_{i=1}^{n} D_i^2}{n(n^2 – 1)}\]
Aquí, un superior \ (\ rho \) significa que su modelo clasifica mejor las casas con respecto a la incertidumbre de predicción. \ (D_i \) representa la diferencia en los rangos entre las desviaciones absolutas reales, \ (| \ hat {y} _i – y_i | \), y predicho incertidumbres, \ (\ text {avmu} _i = f (\ hat {y}} _i, x_i) \), para el hogar \ (i \).
Así que ahora tiene, para ambas casas candidatas, una predicción de precios AVM y una estimación de incertidumbre AVMU correspondiente. Al combinar estas dos medidas, nota rápidamente algo interesante: incluso si varias casas comparten el mismo “valor de mercado más probable”, la confiabilidad de esas predicciones puede variar mucho. En su caso, verá que el hogar B viene con una estimación de incertidumbre AVMU significativamente más alta, lo que indica que su valor de mercado real podría alejarse de la valoración de $ 500,000.
Para protegerse del riesgo innecesario, opta sabiamente por comprar el hogar A, cuya valoración AVM de $ 500,000 está respaldada por una certeza más fuerte. Con la confianza restaurada gracias al Avmu, finaliza felizmente su compra, sabiendo que ha tomado una opción inteligente informada de datos, y celebra su nuevo hogar con una bebida relajante en su nuevo patio delantero.
Ética y otras aplicaciones de Avmu
Esta simple introducción a la incertidumbre de los precios de AVM y cómo AVMU puede guiarlo al comprar una casa es solo una de sus muchas aplicaciones potenciales. Las casas no son los únicos activos que podrían beneficiarse de herramientas de valoración rápidas y de bajo costo. Si bien los AVM se asocian comúnmente con la vivienda debido a los datos abundantes y las características fácilmente identificables, estos modelos y su cuantificación de incertidumbre a través de AVMU pueden aplicarse a prácticamente cualquier cosa con un precio de mercado. Piense en autos usados, coleccionables o incluso jugadores de fútbol profesionales. Mientras haya incertidumbre en predecir sus precios, Avmu se puede utilizar para comprenderlo.
Siguiendo con la vivienda, las decisiones de compra no son el único área donde se podría usar Avmu. Los prestamistas hipotecarios con frecuencia usan AVM para estimar el valor colateral de las propiedades, pero a menudo pasan por alto cuán desigual puede ser la precisión de estas predicciones de precios. Del mismo modo, las autoridades fiscales pueden usar AVM para determinar sus impuestos a la propiedad, pero pueden establecer accidentalmente valoraciones injustas debido a la incertidumbre no reconocida. Reconocer la incertidumbre a través de AVMU puede ayudar a hacer que estas valoraciones sean más justas y precisas en todos los ámbitos.
Sin embargo, a pesar de su versatilidad, es esencial recordar que ninguno de los avmu es perfecto. Todavía es un modelo estadístico que depende de la calidad y cantidad de datos. Ningún modelo puede eliminar por completo la incertidumbre, especialmente los aspectos aleatorios inherentes a la mayoría de los mercados, a veces denominados incertidumbre aleatórica o irreducible. Imagine una pareja de recién casados que cae de cabeza para una cocina en particular, lo que lleva a ofertar por encima del valor de mercado típico. O tal vez el mal tiempo influye negativamente en la percepción de alguien de una casa durante una visualización. Tales escenarios impredecibles siempre existirán, y Avmu no puede dar cuenta de cada atípico.
Recuerde, Avmu le da probabilidades, no verdades fijas. Un hogar con una mayor incertidumbre de AVMU es más probable Para experimentar desviaciones de precios, no está garantizado. Y si te encuentras pensando, “¿Debo hacer el tercer modelo para predecir la incertidumbre de mi modelo de incertidumbre?“, Probablemente sea hora de aceptar que cierta incertidumbre es simplemente inevitable. Entonces, armado con sus ideas informadas por Avmu, relájese, abraza la incertidumbre y disfruta de tu nuevo hogar!
Referencias
- AJ Pollestad, Ab Næss y A. Ost, hacia una mejor cuantificación de incertidumbre en los modelos de valoración automatizados (2024), el Journal of Bienes raíces Finanzas y economía.
- AJ Pollestad y A. Ost, aprovechando la incertidumbre: un nuevo enfoque para el apoyo a la decisión de inversión inmobiliaria (2025), finanzas cuantitativas.