Simulation of an Artificial Neural Network with a Small Sample in the Real Estate Sector: An Application to the Housing Market of Morelia, Michoacán, Mexico
DOI:
https://doi.org/10.33110/rnee.v20i1.365Keywords:
Subject classification, Market and housing offers, artificial neural networks, mathematics, matrices, statisticsAbstract
The present work has as main objective to demonstrate the benefits that artificial neural networks have when estimating the price of real estate, taking into account the importance of the different bodies and financial institutions, in the case of an economic asset its importance lies in the financial institutions its interest is to take it as collateral for a mortgage loan, for municipal, state and federal governments its value will serve as the basis for the collection of property taxes, income tax, value added tax and domain transfer tax, these are some of the many uses that have to estimate or know the value of real estate. As these are imperfect markets where bid prices do not behave linearly, artificial neural networks, and specifically the multilayer network, using a small sample, can be an alternative for value estimation.
Downloads
References
Amabile, R. y Rosato, P. (1998). The use of neural networks in the spatial analysis of property values. Minneapolis, Minnesota: Sixth Joint Conference on Food,
Agriculture and the Environment. Amri, S. Z. y Bossomaier, T. R. J. (2005). The Influence of Spatial Attributes on House Price. Australia: Complexity International Volumen 12. Aznar Bellver, J. y Guijarro Martínez F. (1ra Edición 2005, pág. 88). Nuevo Método de Valoración Modelos Multicriterio, (pag.26).
España: Universidad Politécnica de Valencia. Aznar Bellver, J. y López Perales, A.A. (2008). Valoración inmobiliaria. Métodos y aplicaciones.
España: Universidad Politécnica de Valencia. Eguino Huáscar y Erba Diego (2024). Mercado inmobiliario e impuesto predial: aplicaciones de técnicas de valuación masiva. Banco interamericano de desarrollo. doi:10.18235/0005488. http://hdl.handle. net/11159/653429 Estadística Aplicada a los Negocios y la Economía, editorial Mc Graw Hill, Lind, Marchal y Wathen (2012, p.521).
Cabrero San José A. (2020). El futuro de la Valoración Inmobiliaria, Big Data y Modelos AVM. Páginas 7-101. Consejo de Normas Internacionales de
Valuación (2022). Edición en español: Unión Panamericana de Asociaciones de Valuación (UPAV), con participación de: Asociación Profesional de Sociedades de Valoración (ATASA, España), Edición original en inglés:
IVSC International Valuation Standards Council. Fernández Durán, L., Llorca Ponce, A., Valero Cubas, S., Botti Navarro, V.J. (2012). Incidencia de la localización en el precio de la vivienda a través de un modelo de red neuronal artificial. Una aplicación a la ciudad de Valencia. España:
Departamento de Organización de Empresas. Universidad Politécnica de Valencia. CT catastro. Gallego Mora-Esperanza, J. (2004). La inteligencia artificial aplicada a la valoración de inmuebles. Un ejemplo para valorar Madrid. Madrid:
CT catastro. Guijarro Martínez F. (2023). La Valoración automática de inmuebles residenciales mediante modelos de machine learning. Revista de Estudios Empresariales. Segunda época.
Número: 2 (2023). Páginas: 27-39.
Limsombunchai,V.(2004). House Price Prediction: Hedonic Price Model vs. Artificial Neural Network. New Zealand: Commerce Division,
Lincoln University. Núñez et al (2009). Metodología de precios hedónicos vs redes neuronales artificiales como alternativa a la valoración de inmuebles.
Un caso real. Pi-ying, L. (2011). Analysis of the Mass Appraisal Model by Using Artificial Neural Network in Kaohsiung City. Taiwan, China: Journal of Modern Accounting and Auditing, Vol. 7, No. 10, pp. 1080-1089.
Preciado (2011). Propuesta Metodológica para Valoración Inmobiliaria por modelos con salidas no lineales de redes neuronales artificiales con 6 muestras ó información escasa.
Preciado (2015). Valoración de inmuebles urbanos: comparativa modelo regresión multivariable versus redes neuronales artificiales para la ciudad de Morelia, Michoacán,
México. Preciado (2021). Redes neuronales artificiales, una aplicación al mercado inmobiliario habitacional de segmento medio de la ciudad de Morelia Michoacán, México. Revista Nicolaíta de Estudios Económicos, Vol. XIV, No. 1, enero - junio 2019.
Vies R. (2023). Estudio de la autocorrelación espacial en el mercado inmobiliario comercial de la ciudad de Madrid. Revista de Estudios Empresariales.
Segunda época, Número: 2 (2023). Páginas: 109-125: https://doi.org/10.17561/ree.n2.2023.7854
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Los contenidos publicados por la Revista Nicolaita de Estudios Económicos se difunden en acceso abierto bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0).
Esta licencia permite copiar, descargar, compartir y distribuir los contenidos con fines no comerciales, siempre que se reconozca adecuadamente la autoría, se cite la fuente original de publicación y no se modifique, transforme ni genere obra derivada a partir del material publicado. Las personas autoras conservan los derechos morales y patrimoniales sobre sus obras y autorizan a la revista, de manera no exclusiva, gratuita y sin fines comerciales, a publicar, preservar, indizar y difundir sus trabajos en formato impreso y digital.
