Models for Industrial Real Estate Valuation: Analysis and Application in the Greek Real Estate Market.

Μοντέλα για Εκτιμήσεις Βιομηχανικών Ακινήτων: Ανάλυση και Εφαρμογή στην Ελληνική Αγορά Ακινήτων. (Αγγλική)

  1. MSc thesis
  2. KOUTSOGIANNOPOULOS, IOANNIS
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 09 Σεπτεμβρίου 2018 [2018-09-09]
  5. Αγγλικά
  6. 92
  7. RIGOPOULOS, GEORGIOS
  8. RIGOPOULOS, GEORGIOS | DIAKAKI, CHRISTINA
  9. Industrial Real Estate | Real Estate Valuation | Automated Valuation Models | Multiple Regression Analysis | Artificial Neural Networks | Machine Learning | Βιομηχανικά Ακίνητα | Εκτιμήσεις Ακινήτων | Αυτοματοποιημένα Μοντέλα Εκτίμησης | Ανάλυση Πολλαπλής Παλινδρόμησης | Τεχνητά Νευρωνικά Δίκτυα | Μηχανική Μάθηση
  10. 2
  11. 2
  12. 50
  13. FIGURE 2.1 CITIES WITH FASTEST GROWING REAL ESTATE PRICES IN Q1’ 18 7 FIGURE 2.2 GREECE HOUSE PRICE INDEX CHART 8 FIGURE 3.1 ARTIFICIAL NEURAL NETWORK ARTISTIC ILLUSTRATION 19 FIGURE 4.1 SAMPLE PIE 28 FIGURE 4.2 PARETO CHART OF SAMPLE – MARKET VALUE 29 FIGURE 4.3 MAP OF AREA OF INTEREST – WESTERN ATTICA 32 FIGURE 4.4 OBSERVATION POINTS ON MAP – WESTERN ATTICA 33 FIGURE 4.5 REGRESSION LINE FIT – A 35 FIGURE 4.6 MAP OF AREA OF INTEREST – THESSALONIKI 36 FIGURE 4.7 OBSERVATION POINTS ON MAP – THESSALONIKI 37 FIGURE 4.8 REGRESSION LINE FIT – B 40 FIGURE 4.9 REGRESSION LINE FIT – C 42 FIGURE 4.10 PREDICTION ACCURACY CHART - MRA 45 FIGURE 4.11 ARTIFICIAL NEURAL NETWORK SCIENTIFIC ILLUSTRATION 47 FIGURE 4.12 INDICATIVE ORANGE WORKFLOW ILLUSTRATION 52 FIGURE 4.13 PREDICTION ACCURACY CHART - ANN/TEST A 56 FIGURE 4.14 PREDICTION ACCURACY CHART - ANN/TEST B 56 FIGURE 4.15 PREDICTION ACCURACY CHART - ANN/TEST C 57 FIGURE 4.16 FORECAST STANDARD DEVIATION CHART 60 FIGURE 4.17 AVERAGE FORECAST ERROR CHART 61 FIGURE 4.18 NUMBER OF PREDICTIONS WITH FE > 20% CHART 61 FIGURE 4.19 PORTFOLIO LEVEL FORECAST ERROR 62 FIGURE 4.20 PREDICTION ACCURACY ILLUSTRATION OF CHOSEN MODEL 62 TABLE 4.1 SAMPLE INFORMATION 28 TABLE 4.2 REGRESSION STATISTICS A 33 TABLE 4.3 REGRESSION COEFFICIENTS A 34 TABLE 4.4 REGRESSION STATISTICS B 37 TABLE 4.5 REGRESSION COEFFICIENTS B 38 TABLE 4.6 REGRESSION STATISTICS C 39 TABLE 4.7 REGRESSION COEFFICIENTS C 39 TABLE 4.8 REGRESSION STATISTICS D 41 TABLE 4.9 REGRESSION COEFFICIENTS D 41 TABLE 4.10 REGRESSION STATISTICS E 43 TABLE 4.11 REGRESSION COEFFICIENTS E 43 TABLE 4.12 CROSS-VALIDATION PREDICTION FORECAST ERROR 44 TABLE 4.13 ARTIFICIAL NEURAL NETWORK TESTS CONFIGURATION 51 TABLE 4.14 ANN - TEST A RESULTS 53 TABLE 4.15 ANN - TEST A PREDICTION ERROR 53 TABLE 4.16 ANN - TEST B RESULTS 54 TABLE 4.17 ANN - TEST B PREDICTION ERROR 54 TABLE 4.18 ANN - TEST C RESULTS 55 TABLE 4.19 ANN - TEST C PREDICTION ERROR 55 TABLE 4.20 BENCHMARK RATINGS FOR ALL MODELS 58 TABLE 4.21 FORECAST STANDARD DEVIATION FOR ALL MODELS 58
  14. M. G. Kavussanos, (2005), Advanced Quantitative Methods for Managers / Advanced Quantitative Analysis, Volume 1, Hellenic Open University.
    • H παρούσα μεταπτυχιακή εργασία επικεντρώνεται σε μελέτη υπολογιστικών μοντέλων εκτίμησης αξίας της ακίνητης περιουσίας και πιο συγκεκριμένα στην εφαρμογή τους σε βιομηχανικά ακίνητα στην ελληνική αγορά. Η εφαρμογή υπολογιστικών μοντέλων, όπως η παλινδρόμηση και τα μοντέλα τεχνητής νοημοσύνης, παρουσιάζει αυξητική τάση τα τελευταία χρόνια, προκειμένου να εκτιμηθεί η αξία ενός ακινήτου. Αυτά τα μοντέλα εφαρμόζονται συνήθως μέσω κατάλληλου λογισμικού στατιστικής ανάλυσης, γλωσσών προγραμματισμού ή εξειδικευμένου λογισμικού για την αγορά ακινήτων όπως τα μοντέλα αυτοματοποιημένης αποτίμησης αξίας (Automated Valuation Models - AVMs). Αρχικά πραγματοποιείται μια επισκόπηση της παγκόσμιας και της εγχώριας αγοράς ακινήτων καθώς και μία συνοπτική παρουσίαση των πρακτικών και των προσεγγίσεων του κλάδου των Εκτιμήσεων. Στην συνέχεια, μέσω βιβλιογραφικής έρευνας, πραγματοποιείται μία ιστορική ανασκόπηση της μέχρι τώρα εφαρμογής υπολογιστικών μοντέλων για εκτιμήσεις ακίνητης περιουσίας. Τα αποτελέσματα της έρευνας οδηγούν στην επιλογή των κατάλληλων μοντέλων που θα εφαρμοστούν στην παρούσα εργασία ενώ παράλληλα εντοπίζεται ένα κενό στην εφαρμογή των μοντέλων αυτών για βιομηχανικά ακίνητα. Για τους παραπάνω λόγους, αρχικά επιλέγεται και εφαρμόζεται ένα μοντέλο πολλαπλής παλινδρόμησης σε συγκεκριμένες περιοχές στην Ελλάδα για την πρόβλεψη της αξίας βιομηχανικών ακινήτων. Το μοντέλο αναπτύσσεται σε βήματα, εστιάζοντας στο χειρισμό της χωρικής επίδρασης της θέσης του ακινήτου καθώς και στον ορθό χειρισμό ανεξάρτητων μεταβλητών που παρουσιάζουν μεταξύ τους σχέσεις αλληλεπίδρασης. Σε συνέχεια των αποτελεσμάτων, εφαρμόζεται ένα καθιερωμένο μοντέλο νευρωνικού δικτύου και πραγματοποιείται πειραματισμός με τις διάφορες παραμέτρους του επιλεγμένου αλγόριθμου. Συνοψίζοντας την εφαρμογή, τα αποτελέσματα πρόβλεψης των μοντέλων συγκρίνονται μεταξύ τους, αξιολογώντας την απόδοσή τους με βάση τους κατάλληλους δείκτες. Τα τελικά αποτελέσματα της εργασίας αναμένεται να οδηγήσουν σε χρήσιμα συμπεράσματα αναφορικά με την εφαρμογή υπολογιστικών μοντέλων για την Εκτίμηση της Αξίας Βιομηχανικών Ακινήτων, είτε σε επίπεδο συνολικού χαρτοφυλακίου είτε για μεμονωμένα ακίνητα.
    • The present thesis focuses on a study of Real Estate Valuation computation models and their applications for Industrial Real Estate in the Greek market. The application of computation models, such as Regression and Artificial Intelligence, in order to estimate the value of a property has been an increasingly popular trend in recent years. These models are usually applied through appropriate statistical analysis software, programming languages or specialized software for the Real Estate Market like the Automated Valuation Models (AVMs). In the current thesis, initially an overview of the global and domestic Real Estate Market is provided along with information on Valuation approaches and practices. Following, a summary of the history of applied Computer Modeling for Real Estate Valuations is provided through Literature Review. The review leads into selecting the appropriate models for the current case study and in the same time an absence is located in relevant literature regarding applications for Industrial properties. For the reasons mentioned above, Multiple Regression Analysis is selected and applied as a suitable initial model in a specific case study in Greece for Industrial Real Estate. The model is developed is steps, focusing in handling the spatial effect of location as well as the interaction effect between specific independent variables. Following the results, an established Artificial Neural Network is applied upon the same data set, testing various hyperparameters of the selected algorithm. Concluding the case study, the prediction results are compared between the models and they are validated according to certain accuracy ratings. The final results of the thesis are expected to produce useful information concerning the application of computer modeling for forecasting Value of Industrial Real Estate, either in portfolio level or individually.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.