Los precios inmobiliarios se observan cuando las propiedades cambian de manos. Los altos costos asociados con las transacciones de bienes raíces y el gran volumen promedio de una transacción típica (en comparación con los mercados de acciones, por ejemplo), llevan a observaciones poco frecuentes para el mismo activo. Entre las transacciones, los profesionales inmobiliarios y los inversores deben confiar en las valoraciones: el precio más probable que se obtendrá en el mercado si la propiedad se hubiera puesto a la venta. Es un valor hipotético, no el precio real registrado.
Las valoraciones son relativamente sencillas, pero aún así incluyen ejercicios cuando se aplican transacciones similares en términos de variables hedónicas (i) (también llamadas comparables) en el mercado cerca de la fecha de valoración. En ausencia de transacciones comparables confiables, el valor posible de una propiedad de bienes raíces (ya sea residencial o comercial) debe evaluarse utilizando un método de valoración. Desde hojas de cálculo de flujo de efectivo descontadas transparentes hasta modelos econométricos sofisticados, cualquier valuación confiable se beneficiará de pronósticos precisos de los niveles esperados de flujos de efectivo y tasas de descuento. La decisión de compra o venta está más influenciada por el estado actual percibido del ciclo inmobiliario, pero también por la dirección proyectada del ciclo.
Predecir los alquileres requiere una buena comprensión de la dinámica de la oferta y la demanda en el mercado espacial, la construcción y el financiamiento de la construcción, la evolución de la tasa de vacantes naturales y los posibles flujos migratorios tanto de empresas como de trabajadores, entre los determinantes más destacados. La previsión de los factores de descuento implica una comprensión profunda de la política monetaria (como un factor determinante de las tasas cortas) y de la estructura temporal de las primas de riesgo. Si la valoración se realiza en una configuración de cartera, también pueden ser necesarias futuras correlaciones de las variables anteriores para evaluar los beneficios de diversificación de vender o adquirir exposición a un determinado sector inmobiliario.
Dada la sensibilidad de las valoraciones a los cambios en las tasas de descuento, vale la pena dedicar algunos párrafos a la determinación de las tasas cortas y el componente sin riesgo de la tasa de descuento.
Al profundizar en el agujero de conejo de la política monetaria, el nivel de las tasas a corto plazo generalmente es controlado por un banco central que utiliza una variante de la regla de Taylor. Esto se aplica a la mayoría de los bancos centrales con metas de inflación en todo el mundo. La regla es una fórmula que vincula las tasas cortas con las brechas de producción (que miden qué tan lejos está la producción observada de un nivel no inflacionario sostenible) y las brechas de inflación (que miden qué tan lejos está la inflación observada de un objetivo supuesto, generalmente establecido en 2%). ). Las brechas positivas conducen a aumentos en la tasa de interés con brechas negativas que conducen a disminuciones en la tasa.
Conforme a una gran cantidad de otros factores, los cambios en el extremo corto de la curva se propagarán a lo largo de toda la curva de rendimiento, aunque no siempre de forma homogénea. Por lo tanto, extendiendo lo anterior también con un modelo de la estructura de plazos de las tasas de interés, podemos llegar a la tasa libre de riesgo que se espera observar en la fecha de la transacción futura. Las primas de riesgo en la parte superior, también bastante variables y cíclicas, y finalmente tenemos nuestras tasas de descuento en diferentes puntos futuros en el tiempo.
Este breve informe de slalom apunta a la hambruna de datos, pero también a la naturaleza de modelado intensivo de la valoración de bienes raíces. Cuanto más largo sea el período de tenencia requerido para un activo, más se necesita pronosticar la variable mencionada anteriormente. Cuanto más lejos miramos, más turbias son las estimaciones y, por lo tanto, menos fiables las valoraciones.
Los precios inmobiliarios son conocidos por su comportamiento cíclico durante largos períodos de tiempo, tanto en mercados desarrollados como en desarrollo. Lo mismo vale para el crédito. La interacción entre el PIB, el crédito y los bienes raíces representa una valiosa fuente de información sobre la dirección futura del ciclo de la propiedad. Solo como un breve motivador, recuerde que el episodio más reciente del auge y quiebra de la vivienda en los Estados Unidos presenta estándares de préstamos relajados y altos índices de préstamo a valor (LTV) como algunos de los desencadenantes importantes del auge y la repentina y global detención del crédito como El galvanizador de busto.
La duración y la amplitud de los ciclos varían a lo largo del tiempo y presentan características diferentes según los países. Los cambios en las características estructurales de los mercados de bienes raíces (que van desde la construcción local y la legislación de zonificación) y los mercados de crédito (desregulación y cambios en los límites de riesgo regulatorios) conspiran para alterar las propiedades estadísticas de los ciclos de propiedad.
¿Cómo y cuándo aparecen estos cambios en los datos agregados de precios de bienes raíces? ¿Estos cambios impactan en el pronóstico? ¿Cómo debe el ejercicio de valoración de bienes raíces reflejar estos cambios? Estas preguntas pueden abordarse dentro de una estrategia de modelado flexible en la que la relevancia de las estructuras de retrasos y la elección de variables es mejor dejarlas para el trabajo diligente de los algoritmos de aprendizaje automático.
Con este telón de fondo y con la ayuda de los datos publicados por Jordscar Jordà, Moritz Schularick y Alan M. Taylor en su "Historia macrofinanciera y los nuevos hechos del ciclo de negocios" (disponible en http://www.macrohistory.net/data/) Analizo la tendencia variable en el tiempo y el comportamiento cíclico del PIB, los precios inmobiliarios y el crédito durante más de 100 años para varias economías desarrolladas. El objetivo es identificar y estimar la relevancia de los ciclos locales vs. globales y los efectos secundarios de los ciclos financieros y reales de otras economías.
Si un componente global de baja frecuencia está funcionando en el mercado analizado, esta información estadística es útil para mejorar los pronósticos empleados en el ejercicio de valoración. A pesar de que los mercados inmobiliarios siguen siendo predominantemente asuntos locales, los flujos comerciales y financieros globalizados pueden llevar a un desbordamiento de un mercado inmobiliario a otro. Una descomposición de las variables en una tendencia y un componente cíclico también es útil para evaluar las posibles acciones de los bancos centrales de 3 a 5 años a partir de ahora y así proporcionar una estimación de las tasas de interés futuras. Esto se debe a que los componentes cíclicos estimados son las brechas necesarias como entradas en la regla típica de Taylor.
Echemos un primer vistazo a los datos. Computo el promedio móvil de 10 años de las tasas de crecimiento de los precios de los bienes raíces residenciales, el PIB por habitante y el crédito a las corporaciones no financieras. Algunas rupturas están presentes en los datos, generalmente observados durante el período de la Segunda Guerra Mundial, pero de lo contrario los datos se comportan bien. Se destaca la sincronicidad del crédito y los precios de la vivienda con el promedio de 10 años (Fig. 1). Esto refuerza la investigación previa que indica la importancia del crédito para explicar la dinámica del precio de la vivienda. Naturalmente, uno puede preguntarse si el promedio de 10 años es el intervalo de datos relevante para analizar estas tres variables. Aquí se puede emplear ML para buscar el tamaño de ventana óptimo que minimiza el error de pronóstico a medida que se usan las brechas en el modelo de pronóstico. Esto puede variar con el tiempo (en algunos períodos, el promedio de 10 años puede ser la mejor opción, en otro período puede ser el promedio de 7 años), las variables y los países.
El promedio de 10 años puede considerarse como una estimación ingenua de la tendencia subyacente. Este es el componente de baja frecuencia de los datos. El componente cíclico se obtiene luego restando el valor de tendencia del valor observado en todos los puntos en el tiempo. El período más reciente muestra una mayor sincronización en las tendencias, lo que proporciona una explicación adicional de la alta correlación observada de los precios inmobiliarios en la mayoría de los mercados internacionales.
Figura 1
Además, se puede obtener una vista de la dinámica conjunta entre países estimando una curva de Loess en la sección transversal disponible de promedios de 10 años (Fig. 2). Esta es una aplicación directa destinada a revelar la presencia de factores globales en el crecimiento de bienes raíces, PIB y crédito. Las bandas rosadas muestran periodos de recesión para los Estados Unidos. Una observación empírica interesante es la relación variable en el tiempo entre el crecimiento del crédito en la producción y cómo cambió cualitativamente a lo largo del tiempo. Durante la mayor parte del período considerado, las altas tasas de crecimiento crediticio llevaron a mayores tasas de crecimiento de la producción y del precio de la vivienda. Recordemos que estamos hablando de tendencias en las tasas de crecimiento. Las tres variables alcanzan su punto máximo en las décadas de 1920, 1950 y 1980. Sin embargo, este no es el caso para el pico de 2007, donde el alto crecimiento del crédito condujo a un alto crecimiento de los precios de los bienes raíces, pero una reacción silenciosa en la tendencia del PIB. Esta observación continúa indicando que el estancamiento secular puede no ofrecer una explicación completa del crecimiento silencioso posterior a la crisis.
Una interpretación más estructural es posible y se persigue, por ejemplo, en un artículo reciente con Anh D.M. Nguyen del Banco de Lituania. En este documento, construimos un modelo de componente multivariado no observado para explicar la evolución de las brechas de producción para la economía de los EE. UU. Durante más de un siglo. La versión de trabajo del documento está disponible en https://www.lb.lt/en/publications/no-51-mihnea-constantinescu-anh-d-m-nguyen-a-century-of-gaps.
Los resultados preliminares se han presentado y discutido en varios seminarios de investigación recientes en el Banco de Rumania (http://www.bnr.ro/Bucharest-Economic-Analysis-and-Research-Seminar-(BEARS)-16413.aspx) y Banco de Ucrania (https://bank.gov.ua/control/en/publish/article?art_id=87169943&cat_id=76291) junto con varias conferencias académicas.
En una configuración de campo traviesa, ML ofrece una opción natural para la selección de pesos óptimos utilizados para calcular el promedio mundial. La teoría económica indica que el comercio o el PIB se pueden usar para construir las ponderaciones relevantes. Aunque económicamente más fácil de interpretar, esta vía puede no ser óptima desde una perspectiva de pronóstico. La selección de una matriz de coeficientes variable en el tiempo produce mejores resultados para un ejercicio de pronóstico. Naturalmente, para cada mercado, la estimación puede mejorarse con datos de transacciones individuales específicos del país.
Figura 2
El rápido desvío de datos / modelado / conocimiento resalta que los datos, aunque son una entrada esencial, necesitan una lente de interpretación. Esto se proporciona mediante modelos y marcos conceptuales anteriores que se adaptan individualmente a la pregunta seleccionada, en nuestro caso la valoración de bienes raíces. Es muy posible que obtengamos la misma perspectiva econométrica de un modelo cuidadosamente seleccionado que vincule el NVR a la renta de equilibrio como lo hacemos a partir de una PCA de una gran lista de covariables conectadas. La mejor estrategia es claramente extraer cualquier información útil de todas las covariables disponibles. Sin lugar a dudas, la interpretación causal de los resultados se prefiere al enfoque de caja negra. La información de los datos debe convertirse en decisiones de negocios viables, decisiones que se pueden comunicar y comprender fácilmente, no en una terminología estadística poco clara. Aunque borroso a veces, la economía 101 sigue siendo una fuente importante de interpretación causal y selección de variables para la construcción y estimación de modelos.
La ola de AI trae desafíos empresariales y éticos únicos, desafíos a los cuales los bienes raíces no permanecerán inmunes. Más importante aún, indica el mayor papel desempeñado por los datos oportunos de alta pureza. En PrepayWay, vemos los datos de transacciones almacenados en blockchain como un factor de producción valioso, uno con un valor progresivamente importante en una economía impulsada por la inteligencia artificial. Nuestro modelo de negocio se ha desarrollado reconociendo el valor de los datos de buena calidad para el funcionamiento del ecosistema inmobiliario. Por lo tanto, diseñamos nuestros productos y servicios no al ofuscar el valor de esta entrada para evitar compensar a los usuarios por su contribución a los datos, sino reconociendo formalmente su valor y organizando el mercado adecuado necesario para realizar transacciones.
(i) Área del piso, ubicación, año de construcción, etc.
