This dissertation investigates whether the non-numeric information revealed in real estate-related news media can contribute towards increased transparency in real estate markets and can support market participants in making profound investment decisions. This is achieved by extending the common measurement of text-based sentiment in the real estate literature by not only quantifying the tonality but also the reporting intensity of specific topics or asset classes. Paper 1 identifies and analyses the news coverage and sentiment of real estate-related trends in Germany to investigate whether these two indicators underlie cyclicity over a period of 20 years. Almost 170,000 newspaper articles provided by a major German real estate news provider are assigned to six trends through the integration of topic modelling and word embeddings into real estate analysis. Thereafter, a dictionary-based approach is applied using an industry-specific dictionary to examine the level of optimistic or pessimistic language related to the trends. Paper 2 examines the relationship between news coverage or news sentiment and total returns of the three main asset classes. Three sentiment indicators for the residential, office and retail market are generated from almost 137,000 articles originating from two trade and two daily newspapers by means of computational linguistic techniques including word embeddings, seeded topic modelling and dictionary-based sentiment analysis. Paper 3 investigates whether additional information quantified from the news flow, in particular reporting intensity, can help to increase transparency on housing markets. Hence, this paper examines the relationship between five different sentiment measures and residential real estate prices in Germany on a regional level. By means of natural language processing including word embeddings and a dictionary-based approach, almost 130,000 news articles are analysed regarding the seven largest cities in Germany.

In dieser Dissertation wird untersucht, ob die nicht-numerischen Informationen, die in immobilienbezogenen Medien veröffentlicht werden, zu einer erhöhten Transparenz auf den Immobilienmärkten beitragen und die Marktteilnehmer dabei unterstützen können, fundierte Investitionsentscheidungen zu treffen. Dazu wird der in der Literatur traditionelle Ansatz der textbasierten Sentimentanalyse erweitert, indem nicht nur die Tonalität, sondern auch die Intensität der Berichterstattung zu bestimmten Themen oder Assetklassen quantifiziert wird. Paper 1 identifiziert und analysiert die Berichterstattung und die Stimmung zu immobilienbezogenen Trends in Deutschland, um zu überprüfen, ob diese beiden Indikatoren über zyklische Elemente über einen Zeitraum von 20 Jahren verfügen. Nahezu 170.000 Zeitungsartikel eines großen deutschen Immobiliennachrichtenanbieters werden durch die Integration von Topic Modelling und Word Embeddings in die Immobilienanalyse sechs Trends zugeordnet. Anschließend wird ein wörterbuchbasierter Ansatz unter Verwendung eines branchenspezifischen Wörterbuchs herangezogen, um das Ausmaß an optimistischer oder pessimistischer Stimmung im Zusammenhang mit den Trends zu bestimmen. In Paper 2 wird die Beziehung zwischen der Berichterstattungsintensität und der -stimmung in den Nachrichten und den Gesamtrenditen der drei wesentlichen Assetklassen untersucht. Drei Stimmungsindikatoren für den Wohnungs-, den Büro- und den Einzelhandelsmarkt werden aus fast 137.000 Artikeln aus zwei Fach- und zwei Tageszeitungen mit Hilfe computerlinguistischer Techniken wie Word Embeddings, Seededed Topic Modelling und wörterbuchbasierter Sentimentanalyse generiert. In Paper 3 wird untersucht, ob zusätzliche Informationen, die aus dem Nachrichtenfluss quantifiziert werden, insbesondere die Intensität der Berichterstattung, dazu beitragen können, die Transparenz auf den Wohnungsmärkten zu erhöhen. In diesem Beitrag wird daher der Zusammenhang zwischen fünf verschiedenen Stimmungsmaßen und den Wohnimmobilienpreisen in Deutschland auf regionaler Ebene analysiert. Mittels natürlicher Sprachverarbeitung, einschließlich Word Embeddings und eines wörterbuchbasierten Ansatzes, werden fast 130.000 Nachrichtenartikel zu den sieben größten Städten in Deutschland ausgewertet.