房產智能估價模型(AVM)的演算法及作用

當前房產估值主要基於高度人手參與，會受到主觀和選擇偏差的影響。傳統估值通常基於房產淨收入的資本化，並使用從相鄰交易案例中推斷出的收益率。但是，可比物業的交易無論在時間上還是在建築物特徵上都從來沒有真正可比，而且測量師通常基於建築物的先前估值或先前的交易價格作判斷。結果是，房產估值通常滯後於市場，容易在熊市中高估，而在牛市中低估。

擅於結合傳統與科技的產業測量師行：華坊(CHFT)正著手解決此問題。其研發的AVM結合複雜的建模技術促進了「大數據」的實際應用。 為了構建「非線性」模型，華坊利用了宏觀的標準人文統計和經濟指標以及其他「超本地」指標，例如與便民商業和餐館的距離，當地犯罪發生率等。 為了解決統計上對各因素解釋變量不一的問題，華坊AVM採用了基於隨機決策樹(decision tree)的輔助機器學習模型。 華坊紮根於房地產的基本原理：「位置，位置，位置」。 建築物所在的位置對其價值至關重要，但是位置的屬性也會隨著社會結構以及科技等因素而逐步改變。故此，華坊不再僅僅依靠政府數據來了解鄰里或微區的特徵，亦不再依賴人工判斷此類信息，而是利用「關係數據庫」自動匯總和解釋最能反映「位置」的數據。

「關係數據庫」可以合併成百上千的 數據源和數據點。 因此可在極短時間內量化了「位置，位置，位置」這古老格言 。華坊AVM利用數以萬計的實際商業房產交易數據庫，以及有關該些物業的相關地區市場信息來配合，故此其演算法是考慮了各種因素和市場上發生的實際價格之間的所有關係。華坊AVM稱其為「非線性」關係，就如人腦很難處理的敏感性分析。比如，抵押貸款利率上升對估值有何影響？若果抵押貸款利率上升，會像蝴蝶效應一樣影響其他經濟因素，這些變量都是非線性地相關的。華坊AVM的建模方法考慮了這些關係。故此，其準確性更高。

另一方面，華坊AVM根據決策樹提供估值，而決策樹又基於大量交易數據 ，並沒有使用由人的主觀性調整，而是通過標準化演算法證實其組合數據庫中的關係。這也最大程度地減少了「人工」干預，並實現了自動化。

AVM在房產估值上不僅觸及用於交易或監管報告的傳統估值，房產投資和貸款的判斷過程都可以從準確，高效和即時的AVM中受益。華坊AVM更可在潛在收購，以至房產抵押市場估值工作中起到風險管理的作用 。