The primary objective of this dissertation is to contribute to the existing literature on econometric and data-driven real estate valuation models and demonstrate how price formation processes in direct real estate markets can be analyzed through the lens of machine learning algorithms. In this context, the thesis sets out to raise awareness of the primary limitations and criticisms of machine learning methods for property valuation and shed light on their implications from an empirical perspective. In response, methodological frameworks are proposed to alleviate these concerns and translate the output of algorithmic approaches to property valuation into more meaningful and interpretable results. The discussion of limitations together with the proposed frameworks are intended to guide the development of data-driven methods in this domain and contribute to their practicality and marketability.

Das primäre Ziel dieser Dissertation besteht darin, die bestehende Literatur über ökonometrische und datengetriebene Modelle zur Immobilienbewertung zu erweitern und aufzuzeigen, wie Preisbildungsprozesse auf direkten Immobilienmärkten unter Zuhilfenahme von Algorithmen des Maschinellen Lernens analysiert werden können. In diesem Zusammenhang verfolgt die Arbeit das Ziel, auf die wesentlichen Limitationen und Kritikpunkte von Methoden des Maschinellen Lernens für die Immobilienbewertung aufmerksam zu machen und deren Implikationen aus empirischer Sicht zu beleuchten. Als Antwort darauf werden methodische Rahmenwerke vorgeschlagen, um diese Limitationen zu mildern und die Ergebnisse datengetriebener Ansätze zur Immobilienbewertung in aussagekräftigere und interpretierbare Resultate zu übertragen. Die Erörterung der vorliegenden Limitationen zusammen mit den vorgeschlagenen Rahmenwerken soll die Entwicklung datengetriebener Methoden in diesem Bereich lenken und zu deren Praktikabilität und Marktfähigkeit beitragen.