The dissertation sheds light on Machine Learning methods and their interpretability in real estate to analyze market timing behavior and provide a practical framework for market participants to identify asset mispricing in the real estate sector. Using algorithmic modelling techniques and innovative data sources from Multiple Listing Systems, it does not only highlight the predictive performance of several algorithm-driven hedonic models but furthermore identifies mispricing in residential portfolios and enables a conceptual framework to derive market timing strategies in terms of investment or disinvestment decisions. The findings show that Machine Learning leads to more accurate predictions than traditional models. In addition, they indicate that algorithmic models are able to reveal a higher degree of mispricing in institutional portfolios. The application of Machine Learning therefore can be a valuable extent to current analysis to identify investment opportunities more precisely and in a timely manner.
Because the inner working of Machine Learning models is rather hidden, their predictive framework is often criticized as a black box. Using Interpretable Machine Learning methods enables to peek inside the predictive behavior of algorithmic models and improve trust in Machine Learning based estimates. The findings reveal the rationale behind the final prediction of complex models. Consequently, Interpretable Machine Learning methods can reveal the rationale behind the estimation of asset mispricing and consequently highlight its reliability. The study provides valuable inferential insights in algorithm-based results in residential markets while maintaining the remarkable predictive performance of Machine Learning that was and still is a major driver for the widespread application of algorithmic models.

Die Dissertation beleuchtet Methoden des maschinellen Lernens und dessen Interpretierbarkeit, um das Timing-Verhalten von Marktteilnehmern im Immobilienbereich zu analysieren. Unter Verwendung algorithmischer Modellierungstechniken und innovativer Datenquellen aus Multiple Listing Systems wird nicht nur die Vorhersageleistung verschiedener Algorithmus-basierter hedonischer Modelle aufgezeigt, sondern auch Fehlbewertungen in Wohnungsportfolios identifiziert und ein konzeptioneller Rahmen für die Ableitung von Market-Timing-Strategien in Form von Investitions- oder Desinvestitionsentscheidungen geschaffen. Die Ergebnisse zeigen, dass Methoden des maschinellen Lernens in ihrer Prognosegüte deutlich genauer als traditionelle Modelle agieren. Darüber hinaus wird aufgezeigt, dass algorithmische Modelle in der Lage sind, ein höheres Maß an Fehlbewertungen in institutionellen Portfolios aufzudecken. Die Anwendung von maschinellem Lernen kann daher eine wertvolle Ergänzung zu aktuellen Analysevorgehen sein, um Investitionsmöglichkeiten im Immobilienbereich genauer und zeitnah zu identifizieren.
Da die innere Funktionsweise von Modellen des maschinellen Lernens meist intransparent ist, wird ihr Vorhersagerahmen oft als Black Box kritisiert. Die Verwendung interpretierbarer Methoden des maschinellen Lernens ermöglicht es, einen Blick in das Vorhersageverhalten algorithmischer Modelle zu werfen und das Vertrauen in algorithmische Schätzungen zu verbessern. Die Ergebnisse zeigen zu Möglichkeit, die Vorhersage komplexer Modelle transparent zu gestalten. Die Studie liefert wertvolle Rückschlüsse auf Algorithmus-basierte Ergebnisse in Immobilienmärkten.