Rental price prediction using machine learning: a french case-study

Real Estate is the world’s most significant store of wealth and it has been continuously growing in the last few years. The real estate market has a close relationship with us: it plays a very important role in economic development and people’s fundamental need. Housing price, in particular, is an important reflection of the economy and an indicator of the healthy and stable development of Real Estate. So, accurately predicting real estate prices poses a significant challenge to the players present in this market. Historically considered relatively conservative and characterized by qualitative approaches and processes, the real estate industry has been revolutionized in recent years by intro- ducing Artificial Intelligence (AI) and Machine Learning (ML). One of the most beneficial applications of ML in Real Estate is the automation of the pricing process via the so-called Automated Valuation Models (AVMs). AVMs are ML models trained to predict the value of a particular property. This thesis aims at comparing the performances of a global AVM Rent model for France with the performances of some other models which are instead local, i.e., built specifically for each given city among the following ones: Paris, Lyon, Toulouse, Marseille, Nice, and Montpellier. Results showed that a larger prediction accuracy can be achieved by exploiting local models rather than a global one. In particular, among all the examined models, XGBoost provides the most promising option for the task, with an MDAPE lower than 8.4% in all 6 cities analyzed.

Il mercato immobiliare è la piu grande riserva di ricchezza al mondo e negli ultimi anni è stato caratterizzato da una continua espansione. Il mercato immobiliare stringe con noi un rapporto molto stretto: gioca infatti un ruolo fondamentale all’interno dello sviluppo economico e dei bisogni primari delle persone. Il prezzo delle case, in particolare, è un importante riflesso dell’economia, nonchè un indicatore di uno sviluppo sano e solido dello stesso mercato immobiliare. Predire in maniera accurata i prezzi dei beni immobiliari costituisce quindi una sfida di grande rilenvanza per gli attori presenti in questo mercato. Storicamente considerata relativamente conservativa e caratterizzata da approcci e processi qualitativi, l’industria immobiliare è stata recentemente rivoluzionata dall’introduzione dell’Intelligenza Artificiale (IA) e del Machine Learning (ML). Una delle applicazioni più vantaggiose del ML in ambito immobiliare è l’automazione dei processi di pricing at- traverso i cosiddetti Automated Valuation Models (AVMs). Gli AVMs sono modelli di ML addestrati a predire il valore di un particolare bene immobiliare. Questa tesi mira a confrontare la performance di un modello AVM globale per il prezzo di affitto di case e appartamenti in Francia con le performances di alcuni altri modelli che sono invece locali, i.e., costruiti specificamente per ciascuna delle seguenti città: Parigi, Lione, Tolosa, Marsiglia, Nizza e Montpellier. I risultati ottenuti mostrano che predi- zioni più accurate possono essere ottenute sfruttando i modelli locali piuttosto che quello globale. In particolare, tra tutti i modelli esaminati, XGBoost costituisce l’opzione più promettente per il task, con un MDAPE inferiore all’8.4% in tutte e 6 le città analizzate.