Understanding Commercial Real Estate Markets with Machine Learning Methods

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Schriftenreihe der Universität Regensburg:	Schriften zu Immobilienökonomie und Immobilienrecht
Band:	106
Datum:	2 November 2023
Begutachter (Erstgutachter):	Prof. Dr. Wolfgang Schäfers
Tag der Prüfung:	20 Juli 2023
Institutionen:	Wirtschaftswissenschaften > Institut für Immobilienenwirtschaft / IRE\|BS > Lehrstuhl für Immobilienmanagement (Prof. Dr. Wolfgang Schäfers)
Stichwörter / Keywords:	commercial real estate, machine learning, interpretable machine learning, rent forecast, automated valuation model, valuation
Dewey-Dezimal-Klassifikation:	300 Sozialwissenschaften > 330 Wirtschaft
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	54900

Zusammenfassung (Englisch)

The dissertation by Benedict von Ahlefeldt-Dehn deals with the application of modern machine learning (ML) methods in rent prediction and property valuation in global commercial real estate markets. The added value of the use of non-linear ML methods at both property and market level is elaborated. Furthermore, it is shown how interpretable ML methods can create transparency and comprehensibility ...

Zusammenfassung (Englisch)

The dissertation by Benedict von Ahlefeldt-Dehn deals with the application of modern machine learning (ML) methods in rent prediction and property valuation in global commercial real estate markets. The added value of the use of non-linear ML methods at both property and market level is elaborated. Furthermore, it is shown how interpretable ML methods can create transparency and comprehensibility of the applied black-box models. This represents a significant step in advancing the application and acceptance of ML-based automated valuation models in commercial real estate valuation.

Übersetzung der Zusammenfassung (Deutsch)

Die Dissertation von Benedict von Ahlefeldt-Dehn behandelt die Anwendung moderner Machine Learning (ML) Methoden in der Mietpreisvorhersage sowie in der Immobilienbewertung globaler gewerblicher Immobilienmärkte. Dabei wird der Mehrwert des Einsatzes nicht-linearer ML Methoden sowohl auf Objekt- als auch auf Marktebene herausgearbeitet. Des Weiteren wird aufgezeigt, wie Interpretable ML Methoden ...

Übersetzung der Zusammenfassung (Deutsch)

Die Dissertation von Benedict von Ahlefeldt-Dehn behandelt die Anwendung moderner Machine Learning (ML) Methoden in der Mietpreisvorhersage sowie in der Immobilienbewertung globaler gewerblicher Immobilienmärkte. Dabei wird der Mehrwert des Einsatzes nicht-linearer ML Methoden sowohl auf Objekt- als auch auf Marktebene herausgearbeitet. Des Weiteren wird aufgezeigt, wie Interpretable ML Methoden die vollständige Transparenz und Verständlichkeit der angewandten Black-Box Modelle herstellen können. Dies stellt einen bedeutsamen Schritt dar, um die Anwendung und Akzeptanz von ML-basierten automatisierten Bewertungsmodellen in der gewerblichen Immobilienbewertung voranzutreiben.

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Englisch)

Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Deutsch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek