This dissertation sheds light on the potential of text-based sentiment indicators within the area of commercial real estate. Using real estate related textual documents as “sentiment provider”, capabilities of a machine- and a deep-learning classifier for predicting direct and securitized market returns and liquidity within the US are assessed. Additionally, the relationship with up- and down-market periods, market regimes and out-of-sample forecasting performance are studied. Overall, this should answer the question whether real estate news analytics by means of textual sentiment classifiers in general and machine- and deep-learning algorithms in particular can be perceived as an innovative source of market sentiment and provides researchers and practioneers with a reliable leading market indicator.

Diese Dissertation diskutiert den Einfluss textbasierter Stimmungsmaße auf den gewerblichen Immobilienmarkt in den Vereinigten Staaten. Textdokumente über den amerikanischen Immobilienmarkt wurden in einem ersten Schritt mit verschiedenen Klassifikationsalgorithmen auf ihren inhärenten Stimmungsgehalt hin untersucht. Hierbei kamen sowohl traditionelle Klassifikationsmethoden als auch maschinelles Lernen zum Einsatz. Im Anschluss wurden die gewonnenen Marktstimmungsindikatoren bezüglich ihres Einflusses auf Marktrenditen, Marktliquidität und Marktregime hin beleuchtet. Besonderes Augenmerk lag auf der Frage, ob textbasierte Stimmungsmaße und speziell solche, die auf maschinellem Lernen und „Deep Learning“ beruhen, geeignet sind, Markstimmung adäquat abzubilden und als Frühindikator für den Immobilienmarkt dienen können.